슬라이딩 윈도우, 영역추정

원본 이미지를 Feature Extractor Layer를 통과하여 Feature Map 이 만들어짐 

이 피처 맵은 원본 사이즈에 비해 줄어들면서 추상화된 Feature 특성들을 가지고 있게 됨 

 

object가 두 개 이상일 때

- 특정 위치에 있는 윈도우를 기반으로 이동시키면서 오브젝트를 찾는 방식이 슬라이딩 윈도우 방식

 

Sliding Window 방식

- window를 왼쪽 상단에서부터 오른쪽 하단으로 이동시키면서 object를 detection하는 방식

-> 객체가 있을만한 위치를 그냥 무작정 찾아 나가는 것 

보완

1. 다양한 형태의 window를 각각 sliding 시키는 방식

2. window scale은 고정하고 scale을 변경한 여러 이미지를 사용하는 방식 

 - 윈도우가 이미지보다 크면 하나의 윈도우 스케일 안에 작은 오브젝트들이 많이 들어가 있음 

 그럼 하나의 이미지에서 여러 오브젝트를 detect 하는 것과 비슷하게 잘 안 될 수 있음 

또한 윈도우가 객체보다 작으면 제대로 detect 할 수 없음 

 

 

 

특징

object detection의 초기 기법으로 활용

오브젝트 없는 영역도 무조건 슬라이딩 해야 하며 여러 형태의 window와 여러 scale을 가진 이미지를 스캔해서 검출해야 하므로 수행 시간이 오래 걸리고 검출 성능이 상대적으로 낮음

Region Proposal (영역 추정) 기법의 등장으로 활용도는 떨어졌지만 object detection 발전을 위한 기술적 토대 제공

 

 

Region Proposal (영역 추정)

은 알고리즘을 기반으로 해서 object가 있을만한 후보 영역을 도출하는 방식 

대표적으로 Selective Search가 있음 

 

원본이미지 -> 후보 Bounding Box 선택 -> Region Proposal 

 

빠른 Detection과 높은 Recall 예측 성능을 동시에 만족하는 알고리즘

컬러, 무늬(texture), 크기, 형태에 따라 유사한 Region을 계층적 그룹핑 방법으로 계산

Selective Search는 최초에는 Pixel Intensity 기반한 graph-based segment 기법에 따라 Over Segmentation을 수행

- 원본 이미지에서 해당 영역에 공유되는 비슷한 픽셀 영역에 대해 불리언 마스킹을 함

- 최초 세그멘테이션은 좀 오버해서 해놈 

(각각의 object들이 1개의 개별 영역에 담길 수 있도록 초기에 많은 영역을 생성) 2004

 

수행 프로세스

1. 개별 segment 된 모든 부분들을 bounding box로 만들어서 region proposal 리스트로 추가

2. 컬러, 무늬, 크기, 형태에 따라 유사도가 비슷한 segment들을 그룹핑함

3. 다시 1, 2번을 재귀적으로 실행함