Object Detection 객체감지
1. object detection이란
이미지 및 비디오 내에서 유의미한 특징 객체를 감지하는 작업으로,
Face detection, video tracking, people counting등 다양한 분야의 문제를 해결하기 위해서 사용합니다.
현재 저는 병리 슬라이드 이미지에서 cell detection을 위해 공부중입니다.
Object detection은 1. object의 class를 classification 할 뿐만 아니라, 2. 분류된 object가 어디에 있는지 bounding box(left top, right bottom 좌표)를 통해 위치를 파악하는 localization 과정을 통해 object를 감지합니다.
Object detection 은 Object 수에 따라 1. single-object detection(하나의 물체 찾기), 2. multi-object detection(여러 물체 찾기)로 나뉩니다.
2. 딥러닝 모델 발전표
3. 1-stage detector vs 2-stage detector
[1-stage(single stage) detector]
regional proposal 과 classification이 동시 진행하는 것으로 다시 말해 객체의 검출과 분류, 바운딩 박스 regression을 한번에 하는 방법입니다. 1-stage detector의 예로는 **YOLO(You only look once), SSD(Single-Shot Multibox Detector)**가 있다.
[2-stage detector]
Regional proposal과 classification이 순차적으로 진행되는 방법입니다. 2-stage detector의 예로는 R-CNN, Fast R-CNN, Faster R-CNN 등이 있다.
두가지 방법의 차이는 속도입니다. 1-stage를 통해서 한번에 진행하는 것이 속도면에서 빠릅니다.
Regional proposal이란,
물체가 있을만한 영역을 빠르게 찾아내는 알고리즘으로 대표적으로 Selective search, Edge boxes들이 있다.
- Selective search : Segmentation(이미지 구조를 사용하여, 샘플링 프로세스를 안내)+Exhaustive search(모든 객체의 위치를 찾아내는것)
- Edge boxes : 기존에는 이미지에서 object detection을 위해 sliding window방식을 사용하엿고, 이 방식은 이미지에서 모든 영역을 다양한 크기의 window (different scale & ratio)로 탐색 한다. 이런 비효율성을 개선하기 위해 regional proposal 방식이 만들어졌다.
4. Object Localization
[Classification with localization]
- 이미지 내에 object의 위치를 알아내는 것
- softmax를 적용한 output vector를 통해 이미지를 class별로 분류, Bounding box의 좌표(bx,by,bh,bw) 추가하여 위치까지 출력
- bx,by : bounding box 중심점, bh: height, bw: width
[Detection]
- localization을 통해 이미지에서 하나의 object가 아닌 여러 object를 인식 하는 것
[Target label]
Pc : object가 있는지에 대한 확률
bx,by,bh,bw : bounding box좌표
c1, c2, c3: class 1,2,3에 속할 확률
[출처]
1. 1-stage, 2-stage 설명
https://velog.io/@cha-suyeon/딥러닝-Object-Detection-Architecture-1-stage-detector와-2-stage-detector
2. Selective search 설명
https://go-hard.tistory.com/33
3. Object detection 전반적인 정리
https://nuggy875.tistory.com/20
4. Object localization
https://www.youtube.com/watch?v=GSwYGkTfOKk
댓글