b9c43e4edf
|
||
|---|---|---|
| .. | ||
| lab | ||
| ObjectDetection.ipynb | ||
| README.md | ||
README.md
객체 탐지
지금까지 다룬 이미지 분류 모델은 이미지를 입력받아 MNIST 문제에서 '숫자'와 같은 범주형 결과를 출력했습니다. 하지만 많은 경우, 단순히 사진에 객체가 있다는 것을 아는 것만으로는 충분하지 않습니다. 우리는 객체의 정확한 위치를 파악하고 싶어합니다. 이것이 바로 객체 탐지의 핵심입니다.
강의 전 퀴즈
이미지 출처: YOLO v2 웹사이트
객체 탐지에 대한 단순한 접근법
사진에서 고양이를 찾고 싶다고 가정해 봅시다. 객체 탐지에 대한 매우 단순한 접근법은 다음과 같습니다:
- 사진을 여러 타일로 나눕니다.
- 각 타일에 대해 이미지 분류를 실행합니다.
- 충분히 높은 활성화 결과를 얻은 타일은 해당 객체를 포함한다고 간주합니다.
이미지 출처: 실습 노트북
하지만 이 접근법은 이상적이지 않습니다. 이 방법은 객체의 경계 상자를 매우 부정확하게 찾을 수밖에 없습니다. 더 정확한 위치를 찾으려면 회귀를 실행하여 경계 상자의 좌표를 예측해야 하며, 이를 위해 특정 데이터셋이 필요합니다.
객체 탐지를 위한 회귀
이 블로그 글은 도형 탐지에 대한 훌륭한 입문서를 제공합니다.
객체 탐지 데이터셋
이 작업을 위해 다음과 같은 데이터셋을 접할 수 있습니다:
- PASCAL VOC - 20개의 클래스
- COCO - 컨텍스트 내 일반 객체. 80개의 클래스, 경계 상자 및 분할 마스크 포함
객체 탐지 평가 지표
교집합 비율 (Intersection over Union)
이미지 분류에서는 알고리즘의 성능을 측정하기 쉽지만, 객체 탐지에서는 클래스의 정확성과 추론된 경계 상자 위치의 정밀도를 모두 측정해야 합니다. 후자의 경우, 교집합 비율(IoU)을 사용하여 두 상자(또는 두 임의의 영역)가 얼마나 잘 겹치는지 측정합니다.
IoU에 대한 훌륭한 블로그 글의 그림 2
아이디어는 간단합니다 - 두 도형의 교집합 영역을 합집합 영역으로 나눕니다. 두 영역이 동일하면 IoU는 1이 되고, 완전히 분리된 영역이면 0이 됩니다. 그 외에는 0에서 1 사이의 값을 가집니다. 일반적으로 IoU가 특정 값 이상인 경계 상자만 고려합니다.
평균 정밀도 (Average Precision)
특정 객체 클래스 C가 얼마나 잘 인식되는지 측정하고 싶다고 가정해 봅시다. 이를 측정하기 위해 평균 정밀도(AP) 지표를 사용하며, 다음과 같이 계산됩니다:
- 정밀도-재현율 곡선은 탐지 임계값 값(0에서 1까지)에 따라 정확도를 보여줍니다.
- 임계값에 따라 이미지에서 탐지된 객체 수와 정밀도 및 재현율 값이 달라집니다.
- 곡선은 다음과 같은 형태를 가집니다:
이미지 출처: NeuroWorkshop
주어진 클래스 C에 대한 평균 정밀도는 이 곡선 아래의 면적입니다. 더 정확히 말하면, 재현율 축은 일반적으로 10개 부분으로 나뉘며, 정밀도는 모든 점에서 평균화됩니다:
AP = {1\over11}\sum_{i=0}^{10}\mbox{Precision}(\mbox{Recall}={i\over10})
AP와 IoU
IoU가 특정 값 이상인 탐지만 고려합니다. 예를 들어, PASCAL VOC 데이터셋에서는 일반적으로 \mbox{IoU Threshold} = 0.5가 사용되며, COCO에서는 다양한 \mbox{IoU Threshold} 값에 대해 AP가 측정됩니다.
이미지 출처: NeuroWorkshop
평균 평균 정밀도 - mAP
객체 탐지의 주요 지표는 평균 평균 정밀도(Mean Average Precision, mAP)입니다. 이는 모든 객체 클래스에 대해 평균화된 평균 정밀도 값이며, 때로는 \mbox{IoU Threshold}에 대해서도 평균화됩니다. mAP를 계산하는 과정은 이 블로그 글과 코드 샘플이 포함된 설명에서 자세히 다루고 있습니다.
다양한 객체 탐지 접근법
객체 탐지 알고리즘은 크게 두 가지로 나뉩니다:
- 영역 제안 네트워크(Region Proposal Networks, R-CNN, Fast R-CNN, Faster R-CNN). 주요 아이디어는 관심 영역(ROI)을 생성하고, CNN을 통해 최대 활성화를 찾는 것입니다. 이는 단순한 접근법과 비슷하지만, ROI가 더 정교하게 생성됩니다. 이러한 방법의 주요 단점은 이미지에 대해 CNN 분류기를 여러 번 실행해야 하므로 느리다는 점입니다.
- 단일 패스(YOLO, SSD, RetinaNet) 방법. 이러한 아키텍처에서는 네트워크가 한 번의 실행으로 클래스와 ROI를 모두 예측하도록 설계됩니다.
R-CNN: 영역 기반 CNN
R-CNN은 선택적 검색을 사용하여 ROI 영역의 계층 구조를 생성합니다. 그런 다음 이를 CNN 특징 추출기와 SVM 분류기를 통해 객체 클래스를 결정하고, 선형 회귀를 통해 경계 상자 좌표를 결정합니다. 공식 논문
이미지 출처: van de Sande et al. ICCV’11
이미지 출처: 이 블로그
F-RCNN - 빠른 R-CNN
이 접근법은 R-CNN과 유사하지만, 영역은 컨볼루션 레이어가 적용된 후에 정의됩니다.
Faster R-CNN
이 접근법의 주요 아이디어는 신경망을 사용하여 ROI를 예측하는 것입니다 - 이를 영역 제안 네트워크라고 합니다. 논문, 2016
이미지 출처: 공식 논문
R-FCN: 영역 기반 완전 컨볼루션 네트워크
이 알고리즘은 Faster R-CNN보다 더 빠릅니다. 주요 아이디어는 다음과 같습니다:
- ResNet-101을 사용하여 특징을 추출합니다.
- 특징은 위치 민감 점수 맵으로 처리됩니다.
C클래스의 각 객체는k\times k영역으로 나뉘며, 객체의 일부를 예측하도록 학습합니다. k\times k영역의 각 부분에 대해 모든 네트워크가 객체 클래스를 투표하며, 최대 투표를 받은 객체 클래스가 선택됩니다.
이미지 출처: 공식 논문
YOLO - You Only Look Once
YOLO는 실시간 단일 패스 알고리즘입니다. 주요 아이디어는 다음과 같습니다:
- 이미지를
S\times S영역으로 나눕니다. - 각 영역에 대해 CNN이
n개의 가능한 객체, 경계 상자 좌표 및 신뢰도=확률 * IoU를 예측합니다.
이미지 출처: 공식 논문
기타 알고리즘
✍️ 실습: 객체 탐지
다음 노트북에서 학습을 이어가세요:
결론
이번 강의에서는 객체 탐지를 수행할 수 있는 다양한 방법을 빠르게 살펴보았습니다!
🚀 도전 과제
YOLO에 대한 다음 글과 노트북을 읽고 직접 시도해 보세요:
강의 후 퀴즈
복습 및 자기 학습
- 객체 탐지 by Nikhil Sardana
- 객체 탐지 알고리즘 비교
- 객체 탐지를 위한 딥러닝 알고리즘 리뷰
- 기본 객체 탐지 알고리즘에 대한 단계별 소개
- Python을 사용한 Faster R-CNN 구현
과제: 객체 탐지
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서를 해당 언어로 작성된 상태에서 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.