物体検出とR-CNNについて

物体検出とR-CNNについて学んだことを備忘録として残します．

 

 

 

物体検出ってなんだ？

 

物体検出（object detection）とは，クラスの識別（classification）と物体の位置特定（localization）を合わせたものです．

 

 

 

クラス識別（classification）ってなんだ？

 

クラス識別（classification）とは，入力画像に対してその画像が何を示すかを出力することで，

一つの入力に対して出力も一つになります．

 

ちなみに，この「５」の画像は”MNIST”という画像データセットのものです．

 

 

 

位置特定（localization）ってなんだ？

 

位置特定（localization）とは，入力画像から特定の個所を出力することで，

一つの入力に対して出力は複数になります．

 

また，特定の個所を囲んだ矩形をバウンディングボックス（Bounding Box）といいます．

 

 

 

 

つまり，物体検出ってなんだ？

 

物体検出とは，このクラス識別と物体の位置特定を合わせたものになります．

 

 

 

 

どうやって物体検出するか？

 

今回のもう一つのテーマはR-CNNですが，このR-CNNが出る前は，

 

ウィンドウを細かくずらしていって，そのウィンドウごとに得られた領域をそれぞれCNNで分類していました．

 

(https://qiita.com/arutema47/items/8ff629a1516f7fd485f9)

 

ただこれだと，入力画像１枚に対して，複数回（ウィンドウで得た領域分）CNNを回さなければ
ならないので，非常に遅くなってしまいます．

 

(CNNについては前に記事を書いたので，こちらを参照してください)

 

 

 

R-CNN

 

上記の問題を解決するため，R-CNNが提案されました．

 

(論文はこちら：https://www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf)

 

1. 画像を入力
2. 入力した画像から，RoI（region of interest, 候補領域）と呼ばれるものを
   複数（2000個ほど）抽出する．そして，抽出したRoIすべてを，次のCNNへの
   入力のためにリサイズする．
3. 先ほどリサイズしたRoIすべてをCNNに入力し，分類する．

 

 

「CNNに入れる前に，先に物体っぽい部分（RoI）を見つけよう」というのがR-CNNの新規性です．

 

このRoIを見つけるアルゴリズムとして，R-CNNではSelective Searchという手法を採用しています．

Selective Searchについての詳細は，以下のURLが分かりやすいです．

https://qiita.com/Almond/items/7850cf81903fbe2a2c6c

 

ちなみに，このRoIを生成するアルゴリズムのことをregion proposalと言うらしいです．

(RoIとregion proposalの使い分けがごっちゃになってるのを見ますが，僕が調べた感じだとこのように使い分けてるらしい)

 

次の記事では，R-CNNの欠点を改善したFast R-CNNについて書きたいと思います，