Skip to content

Latest commit

 

History

History
46 lines (43 loc) · 3.57 KB

RCNN.md

File metadata and controls

46 lines (43 loc) · 3.57 KB
Raw

Rich feature hierarchies for accurate object detection and semantic segmentation (R-CNN)

1. Abstract

2. Network architecture

  • Overview
  • Region proposals (Selective search)
    • Selective search
    • Bottom-up 방식의 Object region proposal method
    • Efficient Graph-Based Image Segmentation를 이용하여, region granularity를 찾은 뒤, greedy algorithm으로 hierarchical merge
    • Colour map(RGB,gray,HSV), merge하는 과정에서 사용하는 similarity measure(colour sim, texture sim, size sim)등을 여러 combination으로 사용해서, 다양한 region proposal을 만들어냄.
  • Feature extraction(T-Net)
    • ImageNet Classification with Deep Convolutional Neural Networks
    • Curriculum learning
      • Pre-train on ImageNet : ImageNet(1000개 class)에 대한 classification task를 수행하도록 pre-train한 뒤, 마지막 dense layer 제거
      • Fine-tuning : VOC2007(20개 class) or ILSVRC2013(200개 class)에 대한 classification task를 수행하도록 fine tune. region proposal 중 GT와의 IoU가 0.5 이상인 box를 positive sample로, 이하인 box를 negative sample(background)로 사용.
  • Object category classifiers(SVM)
    • How to train
      • Ground truth를 positive sample로 region proposal 중 IoU가 0.3 이하인 box들을 negative sample로 사용 (fine tune때보다 tight한 조건)
    • CNN+FN+softmax Classifier(for fine-tune) VS SVM
      • 왜 fine tune시에 훈련한 Classifier를 Object category classifier로 사용하지 않는가?
        • SVM이 분류 성능이 더 좋았다! 이유는 tight한 조건으로 뽑아낸 training sample 덕분일 것으로 예상.
        • 그렇다면 fine tune시에도 동일한 조건으로 training sample을 만들면 되지 않나?
          • 우선 fine tune은 feature extractor에서, region proposal에 대한 좋은 feature를 뽑아내도록 하는 목적 (classification이 목적이아님)
          • tight하게 training sample을 뽑게 되면, data 숫자가 모자라서 fine tune 효과가 좋지 않았다.
          • 하지만 SVM의 경우 Deep한 CNN에 비해 비교적 적은 숫자의 data로도 훈련이 잘되기 때문에 이렇게 기준이 달라진 것.
          • 향후 연구에서 이 SVM은 대체가 된다
  • Box regression
    • Selective search에서 propose한 region + CNN feature를 이용하여 linear regression.
    • Region proposal --> Ground Truth로 fitting 시키는 linear regression model을 학습
    • Object detection scenario에서 성능이 더 좋아졌다.

3. Results

  • Objects detection
  • Detection average precision (%) on VOC 2007 test
  • Another feature extractor(O-Net)