3. Object Detection과 CNN의 관계

안녕하세요~

이번글에서는 Object Detection과 CNN의 관계에 대해서 알아보도록 할거에요. CNN분야가 발전하면서 classification 영역에 엄청난 영향을 미친것처럼 동시에 Object detection 영역에도 굉장한 영향을 미치게 되었어요. 그래서 딥러닝 영역에서는 보통 CNN이 발전하는것에 맞춰 더 좋은 Object detection 모델이 제시되는 방향으로 전개되고 있답니다.

<사진1>

먼저 딥러닝 분야에서 사용되는 Object detection 분야에 두 개의 main stream에 대해서 설명드리면 자연스럽게 CNN과 Object detection 모델간의 관계를 파악하실 수 있으실거에요.

<1. Region Proposal -> CNN>

첫 번째 main stream은 Region Proposal로 candidate bounding box를 검출한 후에 해당 candidate bounding box에 대해서 CNN을 적용시키는 방법이에요.

Region Proposal이라는 것은 말 그대로 영역을 제안하는 기술인데, 이때 영역이라고 함은 bounding box를 의미해요. 그래서 일단 이미지가 들어오면 객체가 될 것 같은 후보 영역들 (candidate bounding box)를 선별하게되고, 해당 candidate bounding box에 대해서 classification 작업을 수행하게되요.

<사진2>

<2. Region Proposal + CNN>

Object detection 모델의 또 다른 main stream은 region proposal과 classification(by using CNN) 작업을 동시에 수행하는거에요. 

앞선 방식(Region Proposal -> CNN)에서는 Region Proposal 이 먼저 진행되야지만 classification 작업이 진행됐어요.

하지만 여기에서는 하나의 이미지가 들어오면 병렬적으로 두 작업(A작업, B작업)이 수행되는데요. A작업은 Region Proposal 방식을 통해 candidate bounding box를 선별해주는 것이고, B작업은 CNN을 거쳐 나온 feature map에 대해 classification을 진행하는거에요. 그런다음 마지막 단계에서 A작업의 결과와 B작업 의 결과를 동시에 반영하여 detection을 하게되는거랍니다. 

앞서 언급한 두 개의 main stream의 자세한 알고리즘은 object detection 모델을 소개하면서 차근차근 설명해드릴거에요.

아래 그림은 Object Detection 모델이 변천한 과정들이에요. 보통 Object detection 모델에 대해서 공부할 때는 빨간색으로 표시된 부분의 모델들에 대해서 공부하게 되요 (아직까지는 이 모델들이 좋은 성능을 보이고 있어서 다른 모델들보다 중요다고 판단을 하기때문인거같아요). 

<사진n>

앞으로 소개해드릴 Object detection 모델 순서는 아래와 같이 구성해봤어요.

RCNN -> SPP-Net -> Fast RCNN -> Faster RCNN -> YOLO V1 -> SSD -> YOLO V2 -> YOLO V3

R-FCN, Mask R-CNN을 다루지 않는 이유는 나중에 Segmentation 파트에서 좀 더 자세하게 다룰 예정이기 때문이에요.

그럼 다음 글에서 뵙도록 할게요~

[사진 래퍼런스]

사진1

https://medium.com/@nikasa1889/the-modern-history-of-object-recognition-infographic-aea18517c318

사진2

https://woosikyang.github.io/fast-rcnn.html

사진n

https://hoya012.github.io/blog/Tutorials-of-Object-Detection-Using-Deep-Learning-what-is-object-detection/