CNN, R-CNN, Faster R-CNN의 특징

객체 인식 분야에서 CNN은 우수한 추론 성능을 보여주는 알고리즘입니다. CNN의 정의 및 모델링 시 고려해야 할 사항은 이전 포스팅에서 다루었습니다. CNN에 대한 내용이 기억이 잘 나지 않으신 분은 아래 링크 참조 바랍니다

Deep Learning CNN 설계방법

이번 포스팅에서는 CNN의 연구동향에 대해 간략히 살펴보겠습니다. CNN은 클라우드 컴퓨팅, 병렬 컴퓨팅 기술과 하드웨어의 성능이 향상되어 최근 주목받게 된 알고리즘입니다. CNN은 추론 성능은 우수하지만, 많은 데이터셋과 계산량이 필요하여, 이를 개선하여 탄생한 알고리즘이 R-CNN입니다. R-CNN의 연구동향은 아래와 같이 정리할 수 있습니다.

이미지 인식을 위한 R-CNN 연구 동향

R-CNN 특징

R-CNN 구조

R-CNN 다단계 학습 파이프라인

Fast R-CNN 특징

• R-CNN의 학습 단계 단순화 및 계산량을 감소시킨 구조
  • 전체 이미지로부터 1개의 feature map과 Regions을 생성
  • ROI pooling : Regions을 Feature map에서 pooling 하여 bin으로 일정하게 나눔
  • Joint Training framework : CNN, Classifier, regressor 훈련을 하나의 과정으로 통합함
• 문제점
  • Region Proposals이 CPU로만 계산 가능
  • 여전히 Region Proposals에서 2초 정도 bottleneck이 발생함

Faster R-CNN 구조

ROI Pooling 과정

Faster R-CNN 특징

• Fast R-CNN과 RPN을 합친 알고리즘
• RPN(=Region Proposal Network) : Region proposal을 만들기 위한 network
• Feature map 정보를 활용해 물체가 존재하는 위치를 출력으로 가지는 네트워크를 학습
• GPU로 계산 가능한 구조

Faster R-CNN 구조

•  RPN 계산 구조
  • Anchor box : 다양한 크기와 비율을 reference box를 이용하여 객체를 검출
  • reg : box-regressor, cls : box-classifier

Region Proposal Network 구조