매우 간략히 요약한 Fast-RCNN

1.CNN

https://rubber-tree.tistory.com/116

CNN은 합성곱을 이용해서 이미지로 부터 특징을 추출하는 딥러닝 아키텍쳐이다.

CNN은 위의 사진에서 보는 것처럼 특징을 추출하는 부분과 클래스를 분류하는 부분으로 구성되어있다.

특징 추출 부분은 Convolution과 활성화 함수 Layer 그리고 Pooling Layer로 구성되어있다.

 

Convolution Layer

Filter를 통해 합성곱 연산을 한다.

이미지의 주요한 특징을 추출하기 위해서 사용한다.

 

Stride

필터가 합성곱 연산을 할때 움직이는 윈도우의 크기를 의미한다.

한칸씩 혹은 두칸씩 이동할 것인지 정할 수 있다.

왼쪽은 stride가 1인 경우 오른쪽은 stride가 2인 경우로 stride값에 따라서 출력되는 값이 달라진다.

 

Padding

합성곱 연산을 하다보면 출력 이미지의 크기가 입력 이미지의 크기보다 작아지게 된다. 이경우 padding을 통해서 입력 이미지의 값을 임의로 추가하여 padding 한다.

 

Pooling

이미지의 크기를 계속 유지하면 연산량이 많아지기 때문에

pooling통해 이미지의 크기를 줄여줄 필요가 있다.

Polling에는 최대값만 추출하는 Max pooling, 평균값만 추출하는 Average pooling이 존재한다.

CNN에서는 주로 Max Pooling을 사용한다.

이미지는 주변에 있는 데이터와 유사하기 때문에 Pooling을 사용하여 줄일 수가 있는 것이다.

 

이후 특징을 추출한 다음에는 Fully Connected Layer에서 추출된 특징을 기반으로 어떠한 값을 의미하는지에 대한 분류를 한다.

 

2.RCNN과 Fast RCNN

RCNN은 이미지에서 객체가 있을만한 영역(Region)을 추출해서 CNN을 돌리는 2-stage 모델이다.

그렇지만 RCNN은 시간이 오래 걸린다는 단점이 있는데

그래서 등장한 것이 Fast RCNN이다.

RCNN이 특정한 영역들을 뽑아서 일일이 CNN을 돌렸다면

Fast RCNN은 전체 이미지를 CNN을 돌려서 RCNN의 단점을 보완한다.

 

단계:

1.우선 전체 이미지를 CNN에 통과시킨다.

2. feature map에 대한 ROI를 추출한다.

3.추출된 ROI에 대한 ROI Pooling을 한다.

4.fully connected layer을 통과시키고 Classfication과 Regression을 적용한다.

 

Region Proposal을 하기전 CNN을 적용시킨다는 점에서 Fast RCNN은 RCNN의 순서를 바꾼 것이다.