[인공지능] 논문 리뷰( Deep Convolutional Neural Network Based Object )

ℹ️요약

1. 이미지의 크기를 고정(600x600)시킨다.
2. 해당 객체에 대한 bounding Box를 잘라 객채별로 분류한다.
3. 잘라진 이미지 크기(224x224)를 변형한다.
4. vgg16(backbone)의 입력값을 224x224로 변경한다.
5. faster-rcnn을 통해 학습을 수행한다.

0. Abstract

• 학습 검출기로는 데이터 분류가 가능하나 가시적인 공개 데이터 셋에 대해서 효능적인 성능을 내지 못하는 문제가 있다.
• 이에 따라 본 논문에서는 X-ray를 위한 물체 검출 알고리즘을 제안한다.
• X-ray 물체를 이미제에서의 객체 및 색상을 기반으로 하는 전경-배경 분할 알고리즘을 사용한다.
• 그 후 해당 객체를 각각의 유형의 개체로 분류하고 개요를 설명한다.
• 학습 알고리즘은 Faster R-CNN을 사용한다.

1. Introduction

• 본 논문에서는 X-ray 영상에서 검출된 물체의 모든 클레스를 아웃라인으로 표시하기 위한 전경-배경 분할 방법을 제안한다.
• 해당 방법을 통해 불필요한 X-ray 영상 정보를 제거 할 수 있다.
• 그 후, 감지된 물체만 접촉하는 이미지를 CNN을 통해 확인한다.
• 논문의 구성은 다음과 같이 묘사된다.
  • Section 2(Related Work) : 관련 작업(학습모델)에 대한 전반적인 배경 소개를 한다.
  • Section 3(Foreground-Background Segmentation) : 전경-배경 분할 방법을 상세히 제시한다.
  • Section 4(Object Detection) : 학습-결과에 대해 인식율에 대해 설명한다.
  • Section 5(Conclusion) : 마무리 및 종합결과에 대해 설명한다.

2. Related Work

• 학습을 위해 CNN을 도입한다.
• 모델 종류는 다음과 같다.
  • SW-CNN
  • Fast-RCNN
  • Faster-RCNN → 가장좋기 때문에 해당 모델로만 비교한다.
  • F-FCNN
  • YOLO-v2

3. Foreground-Background Segmentation

• 서두
  • X-ray에서 검출된 영상의 물체는 수화물 전체이다.
  • 그러나 입력 부분 특정영역만 검출할 영역이 일부 물체를 포함하고 있으며, 나머지 물체는 배경(책가방, 가죽끈 등) 불필요한 영역이다.
  • 하지만 해당 영역에 대한 정보가 영상에 많은 부분을 차지한다.
• 본문
  • 검출기에서 입력된 모든 영상의 크기를 600x600으로 크기를 조절한다.
  • 이미지의 형상은 vgg16에 의해 추출한다.
  • 문제점
    • 열쇠와 같이 작은 물체는 1~2 pixel만 유지되거나 완성되지 않을 수 있다.
    • 작은 물체에 대한 식별율이 하락 한다.
  • 밀도가 큰 물체는 밀도가 낮은 물체보다 어둡게 묘사된다.
    • ex> 회로 기판, 배터리, 우산, 열쇠 그리고 밀도가 다른 몇몇 병들은 금속으로 만들어져 있다.
  • 이에 따라 새로운 색상 기반 **전경-배경 분할 알고리즘**을 제안한다.
  • 색상에 대한 기준은 6가지 물체 색상 분포를 가지고 있다.
    • Red : 224~255
    • Green : 216~255
    • Blue : 201~255
  • 이미지의 일부가 임계값에 속한다면 배경이고 그렇지 않다면 배경이 아닌것으로 간주한다.
  • 전경-배경 분할방법의 신뢰성 검증을 위해 32,253개의 정제된 이미지와 비교한다.

4 Object Detection

• 서두
  • 데이터 시트에 6가지 유형의 개채를 분류한다.
    • power bank : 2,384
    • laptop : 1,395
    • bottle : 7,171
    • mobile phone : 9,540
    • keys : 11,765
    • umbrella : 7,574
    • others(background)
  • 데이터 전처리 단계에서 색상 기반 전경-배경 분할 방법을 도입한다.
  • vgg16를 이용한 faster-rcnn와 결합할 것을 제안한다.

• 본문 1
  • X-ray 수하물의 이미지는 조명, 질감 및 색상 정보가 다르며, 해당 사진은 내부 구조(틀)만 담겨져 있을 뿐 재료(물성)에 따라 다른색으로 표기되어 있다.
  • X-ray의 해당 동일물체에 대해서 특징점 또한 다름을 알 수 있으며 해당 데이터 시트에 대해 목표량을 달성하기 어렵다.
  • 이를 해결하기 위해 입력 이미지를 데이터에서 각각 bBox로 잘라내고, 해당 이미지 크기를 224x224로 입력값이 구성된 vgg16 네트워크를 설계한다.

• 본문 2
  • 학습 데이터 비율 정의는 다음과 같다.
    • train : 25%
    • validation : 25%
    • test : 50%
  • 학습 데이터 셋 강화를 위한 수행작업은 다음과 같다.
    • random flipping
    • random cropping
    • rotation
  • 파라메터 구성은 다음과 같다.
    • gradient descent : SGD
    • momentum : 0.9
    • weight decay : 0.0005
    • learning rate : 0.001
    • divide step : 10
  • 전경-배경 분할 알고리즘을 통해 개선된 모델이다.

• 개선
  • AP를 통해 데이터를 평가하며, Detector와 Backbone을 통한 결과는 다음과 같다.

5. Conclusion

• 색상 정보를 기반으로 한 전경-배경 분할 방법을 제안한다.
• 해당 방법을 통해 Faster-RCNN의 Backbone인 vgg16을 수정한다.
• 수정된 모델을 통해 학습을 수행한다.

 

❓생각정리

1. 전체적으로 물건이 겹침현상에 따라 물성 분석이 진할경우 해당 물채는 어떻게 식별할 수 있을까?
2. 특정 상황에 대한 고려점을 기준으로 두었을때 물체의 혼잡도(겹침의 정도)는 어느정도여야 하는가?
3. 예를 들어 밀도가 높은 물체(여행가방에 물품)가 많을 경우는 해당 논문의 방법이 적합한 방법인가?
4. 밀도가 높은 일반 가방품목일 경우 어떻게 인식결과가 추출될까?

❗ 결론

1. 여행가방이 아닌 일반 품목 가방일 경우 해당 물품을 인식한 것은 가능할 것이다.