| 논문명 | Object Detection Networks on Convolutional Feature Maps |
|---|---|
| 저자(소속) | Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun (MS) |
| 학회/년도 | 2016, 논문 |
| 키워드 | |
| 참고 |
Faster R-CNN논문에서는 Pre-train 모델로 ZFNet과 VGG-16을 이용하였다.
RestNet을 이용하여 구현 할수는 없을까?
- object detection = feature extraction + object classifier 로 나누어서 문제 해결
NoC(Network on Conv feature map): CNN을 통해서 얻어진 feature를 기반으로 별도의 망을 통해서 처리한다는 의미로 명명
- ConvNet으로 구현하기 때문에 큰 문제 없이 ResNet으로 충분히 구현이 가능
전통적 Classifier 구현 방법 : MLP(Multi-Layer Perceptron)를 fc(fully connected layer) 2~3개로 구현을 하는 방법
제안 구현 방법 : 하나의 망으로 간주를 하고 어떨 때 최적의 성능이 나오는지를 여러 실험으로 확인
실험 결과
-
fully connected layer 앞에 convolutional layer를 추가하면 결과가 좋아지며,
-
multi-scale을 대응하기 위해 인접한 scale에서의 feature map 결과를 선택하는 "Maxout" 방식을 지원
- Feature extractor 부분은 conv1, conv2_x, conv3_x, conv4_x를 이용하여 구현할 수 있다.
- 이렇게 되면, VGG16 때와 마찬가지로 feature map에서의 1 픽셀은 stride 16에 해당이 된다.
- 또한 이 layer들은 RPN(Region Proposal Network)과 Fast R-CNN Network 공유하여 사용하게 된다.
RPN 이후 과정은 Fast R-CNN 구조(아래 그림에서 회색 영역에 해당)를 구현을 하여야 한다.
이미 Con1 ~ Conv4는 feature를 추출하기 위한 용도로 사용을 했으니, 당연히 Conv5 부분과 Classifier 부분을 잘 활용하거나 변화를 시켜야 한다는 것은 감을 잡을 수 있다.
ConvNet을 거쳐 얻어진 feature map을 conv5_1에 보내기 전에 RoI pooling을 수행하며, Conv5_x 부분은 위 그림에서 FCs에 해당하는 부분을 수행을 하며, 최종단의 Classifier는 위 그림의 최종단으로 대체를 해주면, ResNet을 약간만 변형을 하면, object detection에 활용이 가능하다.