R-CNN 개요

R-CNN은 하나의 이미지에서 2천개의 region proposal 이미지를 추출하여 개별적으로 CNN Detection을 수행해주는 알고리즘이다.
2천개의 region proposal 이미지들을 개별적으로 수행하기 때문에 실행속도가 매우 느리지만 성능은 높아졌다. 이제 그림을 통해 살펴보자.

Input Image
2천개의 Region proposal을 추출한다.
2천개의 개별 이미지들을 동일한 사이즈들로 warp해주고 각각의 이미지들을 CNN 네트워크를 통과시켜 feature map을 추출한다.
추출 된 feature map들을 bounding box regression 과 SVMs를 통해 예측한다.

R-CNN의 Object Detection Logic

Stage 1에서 Selective Search를 통해 2천개의 Region Proposal 이미지를 추출한다.
추출된 이미지들은 모두 동일한 크기로 맞추기 위해 warp 된다.
Stage 2에서 AlexNet을 통해 Feature Map을 추출한다.
추출 된 feature map을 Classfication과 Regression을 수행해준다.
그림 상에는 Soft max라 써있지만 RCNN에서는 더 좋은 성능을 보이는 SVM Classifier을 사용한다.

R-CNN의 장점

동시대의 다른 알고리즘 대비 높은 Detection 정확도를 보인다.
Deep Learning 기반,Region proposal 기반 Object Detection 성능을 입증하여 연구 방향성을 제시했다.

R-CNN의 단점

하나의 이미지마다 selective search를 수행하여 2000개의 이미지를 도출하여 개별 이미지마다 CNN feature map을 생성하기 때문에 느린 수행시간을 보여준다.
selective search, CNN Feature Extractor, SVM, Bounding box regressor로 구성되는 복잡한 아키텍쳐 및 학습 프로세스를 갖는다.

이처럼 RCNN은 딥러닝의 Object Detecion 성능 향상에 큰 기여를 한 알고리즘이지만 실행속도가 매우 느리고 복잡하다는 단점을 갖고 있다.
후에 이를 개선하기 위해 SPP Net과 Fast R-CNN, Faster R-CNN이 등장하게 된다. 다음 포스팅에서 이 알고리즘들을 다뤄볼것이다.

[DLCV] R-CNN

Deep Learning, Computer Vision

R-CNN 개요

R-CNN의 Object Detection Logic

R-CNN의 장점

R-CNN의 단점

CATALOG

FEATURED TAGS