5.Faster R-CNN

 

Faster RCNN

 

RPN + Fast RCNN

selective Search를 Neural network 구조로 대체

  -gpu 사용으로 빠른 학습/inference가 가능해짐

  -End to End Network학습

 

 

Anchor Box

Object가 있는지 없는지의 후보 Box

Object의 형태가 다르므로 총 9개의 Anchor box, 3개의 서로 다른 크기, 3개의 서로 다른 ratio로 구성

anchor box는 featuremap에 매핑된다.

800*600을 1/16으로 downsampling하여 50*38=1900크기로 변경

800*600 크기의 이미지를 1/16으로 downsampling 하여 50*38 = 1900의 크기로 변경

총 anchor box의 개수 = 1900 * 9 = 17100개

기존의 고정된 크기의 bounding box를 사용할 때보다 9배 많은 bounding box를 생성하며 더 다양한 크기의 객체를 포착하는 것이 가능해진다.

 

RPN(Region Proposal Network)

객체가 있을 법한 영역을 미리 찾는 형식인 Selective search를 대체

selective seacrh에서 bounding box를 얻은 RCNN에서와는 다르게 Anchor box에서 가져온 이미지

RPN Loss함수

요약

 1. imagenet pre-trained model을 불러와서 RPN을 학습합니다.

 

 2. 학습된 RPN에서 생성된 proposal을 사용하여 뒤에 있는 detection network(Fast R-CNN)를 학습합니다.

 

 3. detector network와 RPN을 불러온 다음 CNN의 모든 가중치를 고정시킨채 RPN을 학습합니다.

 

 4. CNN의 가중치를 고정시킨 채로 detection network(Fast R-CNN)를 학습시킵니다.

 

 이러한 과정으로 Faster R-CNN이 학습됩니다.