객체 탐지 모델(딥러닝, R-CNN, YOLO)

📌 객체 탐지 모델(딥러닝, R-CNN, YOLO)

🔸 2023-01-13

[객체 탐지 모델]

• 2013년 최초의 딥러닝 기반 R-CNN 모델 등장
  • 이후 Fast R-CNN, Faster R-CNN 모델 등의 좋은 성과
  • 2016년, YOLO와 SSD 등장으로 새로운 계열 딥러닝 기반 객체 탐지 모델 등장
  • 2017년, RetinaNet 등장하면서 더 높은 성능 퍼포먼스
  • Mask-R-CNN 모델도 등장
    • Segmentation
      • Semantic Segmentation : 동일한 객체들끼리 한 번 마스킹 수행, FCN이 가장 대표적 기법
      • Instance Segmentation : 동일한 객체들이여도 각 개별 객체별로 마스킹 수행
        
        

• FCN : Mask R-CNN 모델 활용, FCN 구조
• R-CNN은 전체 이미지를 유지하면서 후보 영역을 나중에 나누는 반면, YOLO는 슬라이딩 윈도우와 지역 후보 영역을 사용하지 않고, 입력 이미지를 그리드로 분리
• 속도와 성능을 비교해서 가장 빠른 처리속도, 정확도 측면에서 우수한 겨로가 실시간 성능 유지가 장점
• YOLO는 통합된 객체 검출 모델로서, CNN과 비교하여 구성이 간단하고, 전체 이미지를 직접 학습하여 실제 응용 프로그램에서 활용 가능하기에 적합한 것으로 보임
• 다른 분류기 기반의 접근 방법과 달리, YOLO는 검출 성능에 직접적으로 대응하는 손실 함수에 대해 훈련하고, 처리시간 측면에서 실시간 객체 검출이 가능
• 또한, YOLO는 다른 검출기에 비해 객체 표현을 보다 일반화하여 빠르고 강력한 검출이 가능
• 이외 여러 장점을 통해 객체 검출에서 보다 대중화될 가능성이 높다고 판정

 

---

• Mask-R-CNN : 탐지 대상(자동차, 사람 등)을 픽셀 단위로 탐지하고자 함.
  • 장점 : 딥러닝 객체 탐지 기법, 빠른 학습 속도와 높은 정확도, 화면 확대 레벨을 달리하며 학습 영상을 캡처하고, 각각 학습하여 정확도를 분석

 

• YOLO : 예측하고자 하는 이미지를 (S x S) 셀 단위로 나누고, 각 셀마다 하나의 객체를 예측, 그 후 미리 설정된 개수의 Boundary boxes를 통해 객체의 위치와 크기를 파악, 각 셀마다 하나의 객체만을 예측할 수 있기 때문에 여러 객체가 겹쳐 있으면 몇몇의 객체는 탐지를 못하게 될 수 있음
  • B개의 boundary boxes를 예측하고, 각 box는 하나의 box confidence score를 가지고 있음
  • 예측된 box 수에 관계없이 단 하나의 객체만 탐지
  • C개의 conditional class probabilities를 예측

•