[PaperReview] RCNN, Fast R-CNN, Faster R-CNN
2021년 머신러닝 스터디에서 진행하였던 ‘R-CNN, Fast R-CNN, Faster R-CNN’ 논문 리뷰를 재구성한 포스팅임을 미리 알려드립니다.
introduction
위 논문은 CV(Computer Vision), 즉 이미치 처리에 있어 기반이 되는 논문입니다.
오늘은 R-CNN, Fast R-CNN, Faster R-CNN에 대해 이야기해보고자 합니다. 우선 이 기법들이 무엇인가에 대해 알아볼 필요가 있습니다. 위 3가지 기술들은 Object Detection, 즉 사물을 인식하는 방법에 들어가는 하나의 기법입니다. 그렇다면 Object Detection은 무엇일까요?
Object Detection (사물을 인식하는 방법)
이미지 내에서 사물을 인식하는 방법에는 다양한 유형이 존재합니다. 여러 물체에 대해 어떤 물체인지 분류하는 것을 Classification이라 합니다. 또한 그 물체가 어디 있는지 박스를 통해 위치 정보를 나타내는 것을 Localization이라 합니다.
Object Detection이란, 다수의 사물이 존재하는 상황에서 각 사물의 위치와 클래스를 찾는 작업을 말합니다.
1-Stage Detector vs 2-Stage Detector
Deep Learning을 이용한 object detection은 크게 1-stage detector와 2-stage detector로 나눌 수 있습니다. 아래 그림을 통해 설명을 이어 진행하겠습니다.
가운데 수평 화살표를 기준으로 위 쪽에 위치한 논문들이 2-stage detector 논문들이고, 아래 쪽에 위치한 논문들이 1-stage detector 논문들 입니다. 이번 시간에는 위 쪽에 위치한 2-stage detector 논문들에 대해 공부해볼 예정입니다.
그렇다면 여기서 계속 나오는 말, stage detector란 무엇이고, 1, 2 stage detector의 차이는 무엇일까요??
Object Detection 문제는 앞에서 이야기하였듯이 물체의 위치를 찾는 localization 문제와, 물체를 식별하는 classification 문제를 합한 것입니다. 1-stage detector는 이 두 문제를 동시에 행하는 방법이고, 2-stage detector는 이 두 문제를 순차적으로 행하는 방법입니다. 따라서 1-stage detector가 비교적 빠르지만 정확도가 낮고, 반대로 2-stage detector가 비교적 느리지만 정확도가 높습니다.
오늘 우리가 중점적으로 다룰 R-CNN, Fast R-CNN, Faster R-CNN은 2-stage detector의 대표적인 기법입니다. (참고로 1-stage에는 YOLO 계열과 SSD 계열이 포함됩니다.)
R-CNN: Regions with CNN features
Object Detection 분야에서 최초로 딥러닝(CNN)을 적용시킨 것이 R-CNN입니다. 논문에서 소개하는 R-CNN의 구조는 다음과 같습니다.
- Selective search를 이용해 2,000개의 ROI(Region of Interest)를 추출.
- 각 ROI에 대하여 wraping을 수행하여 동일한 크기의 입력 이미지로 변경.
- Warped image를 CNN에 넣어서(forward) 이미지 feature를 추출.
- 해당 feature를 SVM에 넣어 클래스(class) 분류 결과를 얻음.
- 이때 각 클래스에 독립적으로 훈련된 이진(binary) SVM을 사용.
- 해당 feature를 regressor에 넣어 위치(bounding box)를 예측.
R-CNN은 2-stage detector로서 전체 task를 두 가지 단계로 나누어 진행합니다. 첫번째 단계는 Region Proposal로 물체의 위치를 찾는 일이고, 두번째 단계는 Region Classification으로 물체를 분류하는 일입니다.
이 논문에서는 위 두 task를 행하기 위해 구조를 아래의 3가지 모듈로 나누어 놓았습니다.
- 카테고리와 무관하게 물체의 영역을 찾는 모듈인 Region Proposal
- 각각의 영역으로부터 고정된 크기의 Feature Vector를 뽑아내는 Large Convolutional Neural Network인 CNN
- Classification을 위한 선형 지도학습 모델인 Support Vector Machine인 SVM
CNN의 경우, 이전 논문인 ImageNet Classification with Deep Convolutional Neural Networks에서 이야기 했기에 생략하고, Region proposal과 SVM에 대해 알아보겠습니다.
Region Proposal (영역 찾기)
R-CNN의 구조를 조금 더 자세히 살펴보면 다음과 같습니다. R-CNN은 Region Proposal 단계에서 Selective Search라는 알고리즘을 이용하였습니다. Selective Search 알고리즘은 Segmentation 분야에 많이 쓰이는 알고리즘이며, 객체오 주변 간의 색감(Color), 질감(Texture) 차이, 다른 물체에 둘러 싸여 있는지(Enclosed) 여부 등을 파악해서 다양한 전략으로 물체의 위치를 파악할 수 있도록 하는 알고리즘 입니다.
오른쪽 그림과 같이 Bounding box들을 Random하게 많이 생성을 하고, 이들을 조금씩 Merge해 나가면서 물체를 인식해 나가는 방식으로 되어있습니다.
이 알고리즘에 대해서는 “물체의 위치를 파악하기 위한 알고리즘이구나” 정도로 이해하면 될 것 같습니다. 이와 관련한 논문도 Selective Search논문이 있습니다.
R-CNN에서는 Selective Search 알고리즘을 통해 한 이미지에서 2,000개의 Region을 뽑아내고, 이들을 모두 CNN에 넣기 위해 같은 사이즈(224*224)로 압축하여 통일시키는 작업(Wraping)을 거칩니다.
SVM (Support Vector Machine)
CNN 모델로부터 Feature가 추출이 되고 Training Label이 적용되고 나면, Linear SVM을 이용하여 classification을 진행합니다.(Category-Specific Linear SVMs)
여기서 의문점이 드는 부분들이 있습니다. 분명 CNN에서 Classifier로 softmax를 사용한 것 같은데 R-CNN에서는 왜 SVM을 사용하였을까? 라는 의문점 말입니다.
이 논문에서는 CNN을 fine-tunning할 때, 이미지의 positive/negative examples와 SVM을 학습할 때의 이미지의 positive/negative examples를 따로 정의했습니다.
CNN fine-tunning에서는 IoU가 0.5가 넘으면 positive로 두었고, 이외에는 “background”로 labeled해 두었습니다.
여기서 IoU란, Intersection ove Union의 줄임말로, 두 바운딩 박스가 겹치는 비율을 의미합니다.
성능 평가를 예시로 들자면, mAP@0.5는 정답과 예측의 IoU가 50% 이상일 때 정답으로 판정하겠다는 의미를 말하며, NMS 계산을 예시로 들자면, 같은 클래스(class)끼리 IoU가 50% 이상일 때 낮은 confidence의 box를 제거한다는 의미입니다.
이때, mAP는 mean Average Precision을 의미합니다. 이러한 정보는 Computer Vision 분야에서 성능평가 지표로 사용됩니다.
반면에 SVM을 학습할 때의 ground-truth boxes만 positive example로 두고, IoU가 0.3 미만은 모두 negative, 나머지는 전부 무시하게 됩니다. SVM을 CNN fine-tunning과 같은 값을 두고 학습했을 때 훨씬 성능이 안 좋게 나왔다고 합니다. 시기상으로 fine-tunning 학습 데이터가 많지 않았기 때문에 IoU가 0.5~1 사이의 positive 영역들이 다소 정확하지 않았고, 때문에 바로 softmax classifier를 적용시켰을 때 성능이 좋지 않아서 위와 같이 SVM을 학습하는 과정이 필요했다고 보여집니다.
어찌됐는 SVM은 CNN으로부터 추출된 각각의 feature vector들의 점수를 class 별로 매기고, 객체인지 아닌지, 객체라면 어떤 객체인지 등을 판별하는 classifier입니다. R-CNN 논문에서도 이에 대한 설명을 기재해 놓았습니다. VOC2007 데이터셋 기준으로 Softmax를 사용하였을 때 mAP값이 54.2%에서 50.9%로 떨어졌다고 합니다.
R-CNN: Bounding Box Regression
Selective Search로 만들어낸 Bounding Box는 아무래도 완전히 정확하지 않기 때문에 물체를 정확히 감싸도록 조정해주는 선형회귀 모델(Bounding Box Regression) 을 넣었습니다. 설명의 간편화를 위해 bounding box를 bBox로 명시하겠습니다.
bBox의 input 값은 N개의 Training Pairs로 이루어져 있습니다.
x, y, w, h는 각각 bBox의 x, y좌표(위치), width(너비), height(높이) 를 뜻 합니다.
P는 선택된 bBox이고 G는 Ground Truth(실제 값) bBox입니다.
**선택된 P를 G에 맞추도록 transform 하는 것을 학습하는 것이 Bounding Box Regression의 목표**입니다.
R-CNN의 한계점
R-CNN은 이전 Object Detection 방법들에 비해 굉장히 뛰어난 성능을 보였다는 것은 분명하지만 명확한 몇몇 단점들을 가지고 있습니다.
- 입력 이미지에 대하여 CPU 기반의 Selective Search를 진행해야 하므로 많은 시간이 소요됩니다.
- 모든 RoI를 CNN에 넣어야 하기 때문에 2,000번의 CNN 연산이 필요합니다.
- 학습(training)과 평가(testing) 과정에서 많은 시간이 필요합니다.
- 전체 아키텍처에서 SVM, Regressor 모듈이 CNN과 분리되어 있습니다.
- CNN은 고정되므로, SVM과 Bounding Box Regression 결과로 CNN을 업데이트할 수 없습니다.
- 다시 말해 end-to-end 방식으로 학습할 수 없습니다.
마지막 줄을 정리하자면 Back Propagation이 안된다 고 볼 수 있습니다. R-CNN은 Multi-stage Trainig을 수행하며, SVM, Bounding Box Regression에서 학습한 결과가 CNN을 업데이트 시키지 못하는 것입니다.
이러한 한계가 존재하지만, R-CNN은 최초로 Object Detection에 딥러닝 방법인 CNN을 적용시켰다는 점과 이후 2-Stage detector들의 구조에 막대한 영향을 미쳤다는 점에서 의미가 큰 논문입니다.
다음으로 등장한 Fast R-CNN에 대해 알아보겠습니다.
Fast R-CNN
Fast R-CNN*도 **R-CNN과 똑같이 처음에 Selective Search를 통해 Region Proposal을 뽑아내긴 합니다. 하지만 R-CNN과 다르게 **뽑아낸 영역**을 Crop하지 않고 그대로 가지고 있고, **전체 이미지를 CNN Model에 집어 넣은 후** CNN으로부터 나온 **Feature Map**에 **RoI Projection**을 하는 방식을 택했습니다.
즉, input image 1장으로부터 CNN Model에 들어가는 이미지는 2,000장 → 1장이 되었습니다.
이 Projection 한 bBox들을 RoI Pooling 하는 것이 Fast R-CNN의 핵심입니다. Projection시킨 RoI를 FCs(Fully Connected Layer)에 넣기 위해서는 같은 Resolution의 Feature map이 필요합니다. 하지만 Selective Search를 통해 구해졌던 RoI 영역은 각각 다른 크기를 가지고 있습니다. 따라서 이 Resolution의 크키를 맞추기 위해 RoI Pooling을 수행합니다.
RoI Pooling은 간단히 말해서 **크기가 다른 Feature Map**의 **Region**마다 **Stride를 다르게 Max Pooling을 진행**하여 결과값을 맞추는 방법입니다.
마지막으로 Fixed Length Feature Vector를 FCs에 집어넣은 후 두 자식 layer인 output layer로 뻗어 나가 Classification과 bBOx Regression을 진행합니다. 이는 R-CNN과 비슷하게 진행되지만 Fast R-CNN은 Softmax를 사용하여 Classification을 진행하였다는 점에서 차이를 보입니다.
이후 등장한 Faster R-CNN에 대해 알아보도록 하겠습니다.
Faster R-CNN
Faster R-CNN의 논문에서는, Region Proposal 방법을 GPU를 통한 학습으로 진행하면 확실히 성능이 증가할 것이라고 말하고 있습니다.
따라서 Faster R-CNN은 Deep Network를 사용하여 Region Proposal를 진행하는 RPN (Region Proposal Networks)를 소개합니다.
Faster R-CNN: Region Proposal Network(RPN)
RPN의 input은 image의 Feature Map이고, output은 Object proposal들의 Sample입니다. 이 Sample들을 Fast R-CNN과 동일하게 RoI Pooling을 한 후, Classification, bBox Regression을 진행합니다. Pretrained된 CNN을 거쳐서 나온 Feature Map은 ZFNet 기준으로 256-d, VGG-16 기준으로 512-d를 갖게됩니다.(여기서 d는 차원으로 이해하였습니다.)
이때 ZFNet은 ILSVRC 2013에서 우승한 CNN구조이고, VGG-16은 옥스퍼드 대학의 연구팀 VGG에 의해 개발된 VGGNet의 모델 중 하나로 16개 층으로 구성된 모델이며, 2014년 이미지넷 인식대회에서 준우승한 모델을 의미합니다.
이 Feature Map을 k개의 Anchor box를 통해 영역을 정하고 Classification Layer와 bBox Regression을 거쳐서 물체가 위치한 곳을 학습하게 됩니다.
**여기서 Classification Layer가 물체가 있는지 없는지만 확인하므로, Class의 수는 2입니다.**
요약하자면…
3가지 모델들을 정리해보자면 아래와 같습니다.
발전 방향의 순서대로 각 모델의 장단점에 대해 정리하였습니다. 확실히 faster R-CNN으로 갈수록 사진당 속도가 빠르게 증가하였음을 확인할 수 있으며, 동시에 정확도로 볼 수 있는 mAP의 값 또한 미비하지만 증가했음을 확인할 수 있습니다.
PS. 추가 문의사항 및 질문은 환영합니다. 그를 통해 저도 더 성장할 수 있을테니까요. 긴 글 읽어주셔서 감사합니다.
댓글남기기