[딥러닝] 객체 검출(Object Detection) Fast R-CNN

출처

• 이 포스팅은 아래의 강좌를 진행하며 정리한 글입니다.

  객체 검출(Object Detection) 딥러닝 기술: R-CNN, Fast R-CNN, Faster R-CNN 발전 과정 핵심 요약

Fast R-CNN

• R-CNN과 비슷하나 feature map을 추출하기 위해 CNN과정을 한 번만 거치게 됨.
• 이후에 RoI(Region of Interest) pooling을 통해 각각의 region들에 대해서 feature에 대한 정보들을 추출 한 뒤 FC(fully connected layer)를 거침.
• CNN을 통해 얻게 된 Feature Map은 input image에 대해서 각각의 위치에 대한 정보를 어느정도 보존하고 있기 때문에 이러한 작업이 가능하게 됨
• 기본적인 CNN 네트워크를 이용해서 Softmax layer를 거쳐 각각의 클래스에 대한 probability를 구함

RoI Pooling Layer

• 각 RoI 영역에 대하여 맥스 풀링을 이용해 고정된 크기의 벡터(vector)를 생성
  • 맥스 풀링(max pooling): 위와 같이 2 x 2 크기의 feature를 추출한다고 하면, 특정 크기의 RoI feature map(빨간색 박스)이 2 x 2로 전체 activation 영역이 최대한 같은 비율로 적절히 나누어질 수 있도록 함. 그 후 나누어진 영역에서 가장 큰 값을 선택

Pros & Cons

• Feature Extraction, RoI Pooing, Region Classification, Bounding Box Regression 단계를 모두 End-to-End로 묶어서 학습 가능
• 여전히 첫 번째 Selective Search는 CPU에서 수행되므로 속도가 느림