Object Detection 개념

Object Detection 이란?

객체 탐지(Object Detection)는 컴퓨터 비전 기술의 세부 분야중 하나로써 주어진 이미지내 사용자가 관심 있는 객체를 탐지하는 기술이다.

출처 : https://deepbaksuvision.github.io/Modu_ObjectDetection/posts/01_00_What_is_Object_Detection.html

활용분야

• 자율 주행 자동차
• CCTV 녹화
• 마스크 얼굴 인식
• 패션 분야에서 상의, 바지, 원피스등 해당 객체 인식

 

모델 형태

One-Stage Detector vs Two-Stage Detector

간단히 말해서 Classification (분류), Regional Proposal (영역제안)을 동시에 실행을 하는가 아니면 순차적으로 실행을 하는가에 대한 방법의 차이이다.

One-Stage Detector

출처 : https://pseudo-lab.github.io/Tutorial-Book/chapters/object-detection/Ch1-Object-Detection.html

Two-Stage Detector

출처 : https://pseudo-lab.github.io/Tutorial-Book/chapters/object-detection/Ch1-Object-Detection.html

모델 형태	정확도	속도
One-Stage Detector	정확도 ↓	속도 ↑
Two-Stage Detector	정확도 ↑	속도 ↓

모델

모델 종류	모델 형태	특징
R-CNN	Two-Stage Detector	- 이미지에서 객체 후보군을 생성 -  wrapping으로 이미지의 변형이나 손실이 발생하며큰 저장 공간이 필요하고 느리다
Fast R-CNN		- Feature map에서 후보영역을 생성
Faster R-CNN		- RPN 사용하여 Feature map에서 후보영역을 생성
YOLO	One-Stage Detector	- 일정 크기의 그리드로 나눠 각 그리드에 대한 Bounding-box를 예측 - 간단한 처리과정으로 속도가 매우 빠르지만 작은 객체에 대해서는 상대적으로 정확도가 낮음
SSD		- NMS 알고리즘을 통해 최종 Bounding-box를 결정 - Feature map마다 스케일이 다르기 때문에 작은 물체와 큰 물체를 모두 탐지할 수 있다는 장점
RetinaNet		- 손실 함수(loss function)에 변화를 주어 기존 One-Stage Detector들이 지닌 낮은 성능을 개선 -  RetinaNet은 속도 빠르면서 Two-Stage Detector와 유사한 성능