소개

지금까지 R-CNN으로서 BING이나 Selective Search 등의 방법을 소개해 왔습니다.
・과거의 기사는 이쪽
CNN의 전처리로 OpenCV에서 BING을 사용해 보았습니다.
R-CNN으로 Selective search를 사용해 보았습니다.
그러나, BING에 대해서는 그다지 정밀도가 좋지 않은 일,
Selective Search에 대해서는 처리 속도가 느린 등 불만이 남습니다.
그래서 이번에는 Faster R-CNN을 시도한 것 같습니다.

Faster R-CNN이란?

물체의 후보 검출도 CNN에서 실시함으로써 고속화된 수법입니다.
원래는 Fast R-CNN이라는 기법이 먼저 발표되었지만,
바로 뒤에 더욱 고속이 된 Faster R-CNN이 발표되었습니다.
(이 세계의 진보 속도는 무서운 것이 있습니다.)
자세한 내용은 Cornnel Univercity 페이지를 참조하십시오.
htps : // 아 rぃ v. rg/아bs/1506.01497

방법

오리지널은 Caffe입니다.
htps : // 기주 b. 이 m / rb ring ck / py fuss rrc n / t ree / 96dc9f1, 3087474d6, 5, 98879072901, 9bf9
개인적인 취미로 Caffe는 많이 사용하고 싶지 않으므로 이번에는 Chainer의 버전을 사용합니다.
htps : // 기주 b. 코 m / mi t l / 짱 r-fu s r-rc

환경: Ubuntu16.04LTS, Python2.7.12, Chainer1.12.0
ReadMe에 작성된 단계에 따라 실행하면됩니다.

□ chainer-fast-neuralstyle을 clone합니다.

$ git clone https://github.com/mitmul/chainer-faster-rcnn

□ 라이브러리 폴더로 이동하여 빌드합니다.

$ cd chainer-faster-rcnn/lib
$ python setup.py build_ext -i
$ cd ..

□ 훈련된 모델 다운로드

$ if [ ! -d data ]; then mkdir data; fi; cd data
$ wget https://dl.dropboxusercontent.com/u/2498135/faster-rcnn/VGG16_faster_rcnn_final.model`
$ cd ..

□ 테스트 이미지를 던로드하고 실행합니다.

$ wget http://vision.cs.utexas.edu/voc/VOC2007_test/JPEGImages/004545.jpg
$ python forward.py --img_fn 004545.jpg --gpu 0

결과

테스트 이미지의 결과입니다.

이쪽은 스스로 준비한 이미지

둘 다 정확하게 감지되었습니다.
또한 GTX970을 사용한 경우에는 약 0.3~0.4초로 검출되고 있습니다.
덧붙여서 CPU만의 경우 30초 정도 걸렸습니다.

요약

Faster R-CNN은 현시점에서는 꽤 뛰어난 방법이라고 말할 수 있을 것 같습니다.
그래픽스 보드가 필수이지만.
앞으로 모바일 장치에서도 작동하는 경량 모델도 나올 것입니다.

[2016/11/30 추가]
라고 생각하고 있으면, 보다 고속의 Single Shot Multi-box Detection이라고 하는 수법이 있는 것 같네요.
htps : // / r ぃ v. rg/아bs/1512.02325
이쪽도 여가 시간에 시험해보고 싶습니다.