객체 검출 (Object Detection)

📍 1. 객체 검출이란?

이미지 속에서
(1) 객체가 어디 있는지 (Bounding Box)
(2) 그게 무엇인지 (Classification)
을 동시에 수행하는 컴퓨터 비전 기술!

---

💡 예시:

• 고양이 얼굴이 있는 위치를 찾고 → "고양이"라고 분류
• 자율주행 자동차가 → 보행자, 차선, 신호등을 인식

---

📍 2. 객체 검출 모델 분류

구분설명대표 모델

Two-Stage Detector	① 후보 영역 제안 → ② 분류 및 위치 조정	R-CNN, Fast R-CNN, Faster R-CNN
One-Stage Detector	바로 CNN이 위치 + 클래스 예측	YOLO, SSD, RetinaNet

---

🔧 Two-Stage Detector 계열

🧠 특징:

• 정확도 높음 (속도는 느림)
• 복잡한 구조 → 단계별로 수행

---

✅ R-CNN 구조 (2014)

1. Region Proposal:
   Selective Search로 후보 영역(ROI) 찾기
2. Feature Extraction:
   각 영역을 CNN(AlexNet)으로 특징 벡터 변환
3. Classification:
   SVM으로 분류
4. Bounding Box Regression:
   위치 미세 조정

📉 단점: 너무 느리고 비효율적 (각 영역마다 CNN 수행)

---

✅ Faster R-CNN (2015)

R-CNN의 느림을 개선한 구조

1. CNN Backbone → 이미지 특징 추출
2. RPN (Region Proposal Network)
   • Selective Search 대신 CNN으로 후보 영역 생성
   • Anchor Boxes 사용 → 다양한 크기, 위치 고려
3. ROI Pooling + Classifier
   • 후보 영역을 바탕으로 클래스 예측 + 박스 조정

---

⚡ One-Stage Detector 계열

🧠 특징:

• 속도 빠름, 실시간 처리 가능
• 정확도는 Two-Stage보다 낮을 수 있음 (계속 개선 중)

---

✅ 대표 모델들

모델특징

YOLO (You Only Look Once)	이미지를 격자로 나누고, 박스 + 클래스 동시 예측
SSD (Single Shot Multibox Detector)	다양한 크기의 박스를 여러 계층에서 동시에 예측
RetinaNet	One-stage인데도 높은 정확도! → Focal Loss 도입

---

📦 핵심 개념 요약

구성 요소설명

Bounding Box	객체 위치를 나타내는 사각형
Classification	객체가 어떤 클래스인지 예측
Anchor Box	다양한 크기와 비율의 기준 박스
IOU (Intersection over Union)	예측 박스와 정답 박스의 겹친 정도
RPN	후보 영역을 CNN으로 뽑는 네트워크 (Faster R-CNN)

---

🎯 객체 검출 흐름 요약

[이미지 입력]
     ↓
[Backbone CNN (ex. ResNet)]
     ↓
[→ RPN → ROI Align → Classifier]    ← Two-Stage 방식
[→ 직접 Class + Box 예측]            ← One-Stage 방식 (YOLO, SSD 등)

 

---

📚 정리 요약표

구분방식속도정확도대표 모델

Two-Stage	Region Proposal → Class	느림	높음	R-CNN, Faster R-CNN
One-Stage	바로 예측	빠름	중~상	YOLO, SSD, RetinaNet