Computer Vision Applications (3주차)

오늘은 Semantic Segmentation과 Detection에 대해 복습해보겠다.

 

A. Semantic Segmentation

key word: Fully Convolutional Network, Deconvolution

 

Semantic Segmentation을 위해서는 Fully Convolutional Network를 활용하게 된다. Fully Convolutional Network란 Dense Layer를 쌓는 대신 Convolutional Layer를 활용해 마지막 Label를 출력하는 방법을 뜻한다. 이를 통해 Classfication Net은 마치 Heatmap과 같은 모습을 보이며 이를 통해 대상을 구별할 수 있다. Fully Convolutional Network는 input size에 상관 없이 적용할 수 있지만 output size가 subsampling에 의해 줄어들게 된다는 문제점 있다. 따라서 output size를 키우기 위해 Deconvolution을 적용하게 된다. 

 

 

B. Detection

Detection을 위한 다양한 기법들을 하나씩 살펴보겠다.

 

1. R-CNN

R-CNN은 꽤나 무식한 방법이다. 하나의 image를 받았을 때, 해당 image에서 2,000개의 region을 뽑고, 각 region에 대해 AlexNet을 사용해 feature를 계산한 후, SVM을 사용해 분류한다.

 

2. SPPNet

R-CNN! 너 말이야! 왜 AlexNet을 2,000번이나 쓰는 거야? 전체 image에 대해서 CNN을 한 번만 적용하고, 각 Bounding Box마다 해당 feature를 들고오면 되잖아!

* spatial pyramid pooling

 

3. Fast R-CNN

Neural Network만으로 SPPNet과 유사한 기능을 구현해보았어!

 

4. Faster R-CNN

Bounding Box를 뽑는 것도 training해볼까? Region Proposal Network라는 방법을 사용해볼게. Region Proposal Network는 anchor boxes를 활용해서 bounding box 안에 물체가 있는지 없는지 판단하는 방법이야.

* Utilizing anchor boxes

9: three different region sizes (128, 256 512) with three different ratios (1:1, 1:2, 2:1)

4: four bounding box regression parameters

2: box classification

 

5. YOLO

It simultaneously predicts multiple bounding boxes and class probabilities.

$\rightarrow$ No explicit bounding box sampling.