RCNN (Region-based CNN)

I. 영상 내 사물 인식, RCNN(Region proposal CNN)

• 입력 영상 내 사물 인식을 위해 사물의 영역 탐지 및 사물 특징 추출, 분류 CNN 기반 신경망 알고리즘
  

II. RCNN의 구성도 및 구성요소

가. RCNN의 구성도

① 이미지 입력 ② 2000개 정도 Region Proposal 추출(Selective Search) ③ Cropping(자르기), Warping(크기 동일화), Feature 추출 ④ 각 Region Proposal Feature 대한 분류 수행

나. RCNN 구현을 위한 알고리즘

알고리즘	핵심기술	알고리즘 설명
Sliding Window	전체 영역 탐색	– 화면 내 전체 Sliding Scan – 탐색 영역 과다, 연산 증가
EdgeBoxes	탐지 영역 수 감소	– 에지 정보 기반 에지박스 – 영역 감소, 연상 성능 향상
Selective Search	픽셀 통합	– Low Level Feature 기반 – Super Pixel 통합 기법
Bounding-Box Regression	위치 변환	– 탐지된 영역의 사물 중앙화 – 영역 P의 위치 d(P)x → G

• RCNN은 탐색된 영역 대상 Feature 추출, 분류 수행하므로 정확하지만 연산 시간 과다 소요

 

III. RCNN 한계점에 따른 해결 방안

한계점	해결 방안
– 탐색 영역 마다 CNN 수행하므로 연산시간 과다 소요 – 2000 영역 → 2000번 수행	– SPP-net 기반 Fast RCNN – CNN 선 수행(1회) 후 SPP/Rol 기반 Pooling

• F-RCNN은 Region Proposal 시 외부 알고리즘 사용하여 병목현상이 발생하므로 CNN 내부 Region Proposal 설계로 해결