Syshin

Tensorflow Deep-Learning Computer-Vision Guide Notes 2

9 min read

Summary

객체 탐지(Object Detection)와 객체 위치 찾기(Localization)의 개념과 차이점을 설명하고, Bounding Box 학습 방법과 Region Proposal 기법을 다룬다. 특히 여러 객체를 동시에 감지하는 방법과 슬라이딩 윈도우 접근법의 원리와 한계에 대해 살펴본다.

객체 위치 찾기와 탐지의 이해

컴퓨터 비전 분야에서 객체를 인식하는 두 가지 주요 기술인 객체 위치 찾기(Localization)와 객체 탐지(Detection)에 대해 알아본다.

객체 위치 찾기(Object Localization) 개요

객체 위치 찾기는 하나의 이미지에 하나의 주요 객체가 있을 때, 해당 객체의 위치와 클래스를 동시에 예측하는 기술이다.

핵심 개념

  • FC Layer: Fully Connected Layer로, 특징 맵에서 추출한 정보를 바탕으로 클래스 분류 및 위치 정보 추출
  • Annotation 파일: 라벨과 유사하게 객체 정보를 담고 있는 파일
    • Bounding Box의 꼭지점 좌표값 포함
    • YOLO의 경우 Bounding Box의 중앙점 좌표값 사용

Bounding Box 학습

객체 위치 찾기에서는 클래스 분류와 함께 Bounding Box Regression을 동시에 진행한다. 특징 맵에서 특정 특성이 감지되면 해당 위치에 대한 경계 상자 회귀를 수행한다.


Bounding Box 학습 과정


  • Class Confidence Score: 예측된 객체가 특정 클래스에 속할 확률 (예: 객체가 자동차일 확률 0.9)

객체 탐지(Object Detection)

객체 탐지는 이미지 내에 있는 두 개 이상의 객체를 동시에 감지하고 분류하는 기술이다. 단순히 경계 상자만 모델에 입력하면 추론 자체가 어려워지기 때문에, 객체가 있을 만한 위치를 먼저 찾은 후 해당 영역의 객체를 예측하는 방법을 사용한다.

  • Region Proposal: 객체가 있을 만한 위치를 제안하는 기법

객체 탐지는 이전 글에서 설명한 기본 개념을 확장하여, 실제 응용 분야에서 활용된다. 특히 이상 탐지와 결합될 때 산업 현장의 결함 감지 등에 유용하게 사용된다.

Region Proposal(영역 추정)의 이해

객체 탐지에서는 원본 이미지에서 특징 추출 레이어를 통해 추상화된 특징 레이어를 생성한 후, 객체가 있을 만한 영역을 추정하는 과정이 필요하다.

슬라이딩 윈도우 방식

슬라이딩 윈도우는 가장 기본적인 영역 추정 방식으로, 다음과 같은 특징이 있다:

  • 다양한 형태의 윈도우를 한 칸씩 이동하면서 윈도우 내의 객체를 찾음
  • 왼쪽 상단에서 오른쪽 하단까지 순차적으로 탐색
  • 단점:
    • 윈도우 크기와 객체 크기, 형태에 따라 감지가 어려울 수 있음
    • 모든 영역을 순차적으로 탐색하기 때문에 처리 시간이 오래 걸림

Note

슬라이딩 윈도우 방식은 간단하지만 계산 비용이 높아 실시간 객체 탐지에는 적합하지 않다. 이를 개선하기 위해 선택적 검색(Selective Search)과 같은 더 효율적인 Region Proposal 기법이 개발되었다.

고급 객체 탐지 알고리즘

슬라이딩 윈도우의 단점을 극복하기 위해 개발된 고급 객체 탐지 알고리즘들에 대해 알아본다.

R-CNN 계열

R-CNN(Region-based Convolutional Neural Network)은 Region Proposal과 CNN을 결합한 알고리즘으로, 다음과 같은 발전 과정을 거쳤다:

  1. R-CNN:

    • 선택적 검색을 통해 약 2,000개의 영역 후보 생성
    • 각 영역을 동일한 크기로 변환 후 CNN에 입력
    • 각 영역에 대해 개별적으로 특징 추출 및 분류
    • 단점: 계산 비용이 높고 속도가 느림

  2. Fast R-CNN:

    • 전체 이미지를 한 번만 CNN으로 처리하여 특징 맵 생성
    • RoI(Region of Interest) 풀링 적용으로 효율성 증가
    • 분류와 경계 상자 회귀를 동시에 수행
    • 장점: R-CNN보다 20배 이상 빠름

  3. Faster R-CNN:

    • Region Proposal Network(RPN)을 도입하여 선택적 검색 대체
    • 특징 맵에서 직접 영역 제안을 생성하는 end-to-end 학습 가능
    • 장점: Fast R-CNN보다 10배 이상 빠르며, 정확도도 향상

YOLO(You Only Look Once)

YOLO는 이미지를 한 번만 보고 객체의 위치와 클래스를 동시에 예측하는 실시간 객체 탐지 알고리즘이다.

YOLO의 주요 특징:

  • 이미지를 고정된 크기의 그리드로 나눔
  • 각 그리드 셀에서 경계 상자와 클래스 확률을 예측
  • 단일 네트워크로 전체 감지 과정을 완료
  • 장점: 매우 빠른 속도(45-155 FPS), 전체 이미지의 컨텍스트 활용
  • 단점: 작은 객체 탐지에 상대적으로 취약
# YOLO v3 구현 예시 (TensorFlow)
from tensorflow.keras.models import load_model
import cv2
import numpy as np
 
# 모델 로드
model = load_model('yolov3.h5')
 
# 이미지 전처리
def preprocess_image(img_path, img_size=416):
    image = cv2.imread(img_path)
    image = cv2.resize(image, (img_size, img_size))
    image = image / 255.0  # 정규화
    image = np.expand_dims(image, axis=0)
    return image
 
# 예측 및 결과 처리
def detect_objects(image):
    predictions = model.predict(image)
    # 예측 결과 처리 로직...
    return processed_results

객체 탐지의 평가 지표

객체 탐지 모델의 성능을 평가하기 위한 주요 지표들은 다음과 같다:

IoU(Intersection over Union)

  • 예측된 경계 상자와 실제 경계 상자의 겹치는 정도를 측정
  • 수식: IoU = 겹치는 영역 / 합집합 영역
  • 일반적으로 0.5 이상이면 올바른 탐지로 간주

mAP(mean Average Precision)

  • 각 클래스별 Average Precision의 평균
  • Precision-Recall 곡선 아래 면적으로 계산
  • COCO 데이터셋에서는 다양한 IoU 임계값(0.5:0.05:0.95)에서의 mAP를 평균하여 사용

FPS(Frames Per Second)

  • 초당 처리할 수 있는 프레임 수
  • 실시간 응용에서 중요한 지표
  • YOLO와 같은 One-stage detector가 일반적으로 높은 FPS를 보임

결론

객체 위치 찾기와 객체 탐지는 컴퓨터 비전 분야의 핵심 기술로, 자율주행차, 얼굴 인식, 의료 영상 분석 등 다양한 응용 분야에서 활용된다. 특히 Region Proposal 기법과 슬라이딩 윈도우 접근법은 객체 탐지 알고리즘의 기본 개념으로, 이를 이해하는 것이 고급 객체 탐지 모델을 이해하는 데 중요하다.

최근에는 t-SNE와 같은 차원 축소 기법을 활용하여 특징 공간을 시각화하고 분석하는 연구도 진행되고 있다. 또한 다양한 차원 축소 방법을 통해 모델의 복잡도를 줄이면서도 성능을 유지하는 방법이 연구되고 있다.

객체 탐지 기술은 계속해서 발전하고 있으며, 더 정확하고 빠른 알고리즘의 개발이 기대된다.

Graph View

Backlinks