딥러닝 중 각종 물체 구역 검출 방법(R-CNN)

깊이 학습 중 물체 구역 식별의 필요성

최근에 딥러닝을 배웠는데 미리 편집되고 처리된 식별하기 쉬운 다음 이미지의 식별은 90% 이상의 높은 확률로 할 수 있다.

하지만 그동안 인간이 처리했다면 딥러닝의 장점은 크게 줄어들었다.따라서 여러 개의 물체를 포함하는 이미지에서 각 물체 구역을 식별하고 신경 네트워크를 통해 각 구역을 식별하는 과정인 이른바 R-CNN(Regions with Convolutional Neural Network)을 사용해야 한다.R-CNN을 사용하여 아래의 이미지와 같이 테스트할 수 있습니다(아직 완료되지 않았지만 Captcha Breaker 제작 중).

따라서 물체 구역 식별에는 몇 가지 방법이 있기 때문에 간단하게 정리하고 싶습니다.

Objectness

자고로 사용된 물체 식별 방법이다.한 장의 이미지를 10000장 이상으로 분할하여 현저도, 가장자리, 색깔과 장소를 바탕으로 점수를 매긴 후 점수가 높은 부분은 물체 구역으로 식별된다.평점은 비교적 느리지만 정밀도가 높고 처리 속도도 좋다.출력으로 이미지의 좌표와 물체 특성의 점수를 얻을 수 있습니다.문제점으로 일단 검측이 통과되면 회귀하기 어렵다는 점도 물체의 상세한 윤곽을 얻지 못하는 점이 있다.예로부터 있던 방법이라 논문과 문서가 많아 참고하기 쉽다.

CPMC(Constrained Parametric Min-Cuts)

Objectness와 마찬가지로 예로부터 있었던 물체 식별 방법이다.그 중에서 전경으로 설정된 점 주위에서 도형 절단 처리를 하고 이를 바탕으로 물체 구역을 식별하는 방법이다.처리 속도가 매우 느리지만 상당히 높은 정밀도로 물체 구역을 검출할 수 있을 것 같다.또한 Objectness에서 얻을 수 없는 물체의 윤곽을 높은 정밀도로 얻을 수 있어 목표 물체를 배경에서 분리하여 처리하고 싶을 때 적합하다는 장점이 있다.

Selective Search

최근 유행하는 물체 식별 방법.색채와 무늬 특징에 따라 유사도가 높은 접근 구역을 단계별로 결합시켜 최종적으로 한 장의 이미지를 하나의 결합체로 만든다.단계적 변화를 바탕으로 물체 구역을 식별하는 방법정밀도가 높고 처리 속도도 빠르지만 파라미터 조정이 힘든 것 같습니다.여러 개의 매개 변수 설정을 병행 처리하면 식별률을 높일 수 있다.물체의 윤곽도 얻을 수 있지만 CPMC의 정밀도에 맞지 않는다.만약 네가 물체의 상세한 윤곽을 얻을 필요가 없다면, 그것은 아주 좋은 선택 중의 하나인 것 같다.

Object Proposals

CPMC와 유사한 물체 식별 방법.하나의 방법은 전경으로 방치된 점(Seeds)의 각 픽셀의 결합에 따라 여러 물체의 경계 예측을 만들고 그 전체적인 추세에 따라 물체 구역을 식별하는 것이다.CPMC와 같은 장점과 단점을 가지고 있으며 처리 속도는 CPMC와 마찬가지로 느리지만 높은 정밀도로 식별할 수 있고 물체의 윤곽도 얻을 수 있다.부품마다 물체(새의 깃털 부분과 사람의 얼굴 부분 등만 식별할 수 있기 때문에 더욱 가는 이미지 분류 등에 적합하다.동식물의 분류 등을 목적으로 한다면 좋은 선택이 될 수 있다.

총결산

물체 지역 식별은 CNN 식별의 상류이기 때문에 CNN의 조화 이상의 이미지 식별률과 관련이 있다.이외에도 용도에 따라 가장 좋은 물체 구역 식별 방법을 선택하는 다양한 방법이 있다.또 이들 물체 구역 검출 방법도 학습을 통해 정밀도를 개선하기 때문에 다양한 방법을 시도하고 싶다.
다른 방법을 찾으면 언제든지 추가할 생각입니다.
어떤 문제와 개선점이 있는지 저에게 알려주세요.

참고 문헌

Objectness measure V2.2

Homepage of Koen van de Sande

CPMC: Automatic Object Segmentation Using Constrained Parametric Min-Cuts By Joa ̃o Carreira and Cristian Sminchisescu

Geodesic Object Proposals By Philipp Kr ̈ahenbu ̈hl and Vladlen Koltun