Mask R-CNN, Fast R-CNN, RPN, ROI

선행논문 : FCN > (R-CNN) > (Fast R-CNN) > Faster R-CNN > FPN > Mask R-CNN

개요

컴퓨터 비전의 주요 과제는 다음 세 가지로 나눌 수 있습니다

  1. 이미지 분류 (Image Classification)

  2. 객체 검출(Object Detection)

  3. 이미지 분할(Image Segmentation)

특성 이미지 분류 (Image Classification) 객체 검출 (Object Detection) 이미지 분할 (Image Segmentation)
목적 이미지 전체를 하나의 클래스로 분류 이미지 내 객체 검출 및 위치 파악 이미지의 각 픽셀을 분류하여 객체의 경계 파악
출력 클래스 레이블 바운딩 박스와 클래스 레이블 픽셀 단위 클래스 레이블
주요 기술 CNNs, Transfer Learning YOLO, SSD, Faster R-CNN FCN, U-Net, Mask R-CNN
응용 분야 사진 정리, 얼굴 인식 자율 주행, 감시 카메라 의료 영상 분석, 자율 주행

Faster R-CNN과 Mask R-CNN

Untitled

Untitled

Faster R-CNN의 구성

Faster R-CNN은 RPN(Region Proposal Network)(아래 참조)과 Fast R-CNN으로 구성됩니다.

  1. Feature Map 추출: 원본 이미지를 pre-trained된 CNN 모델에 입력하여 feature map을 얻습니다.
  2. Region Proposals 생성: feature map은 RPN에 전달되어 적절한 region proposals을 산출합니다.
  3. RoI Pooling: region proposals와 feature map을 통해 RoI pooling을 수행하여 고정된 크기의 feature map을 얻습니다.
  4. Classification과 Bounding Box Regression: Fast R-CNN 모델에 고정된 크기의 feature map을 입력하여 Classification과 Bounding box regression을 수행합니다.

Region Proposal Network (RPN)