Deep Learning으로 학습된 Object Detection Model 에 대해 정리한 Archive 임.

SlideShare 에서 정리된 슬라이드보기

Deep Learning 기반의 모델링으로 Object Detection 문제를 효과적으로 풀기위해 시도되었던 다양한 내용들을 정리한 자료입니다.

• DPM : Object Detection with Discriminatively TrainedPart Based Models
• Selective Search for Object Recognition
• OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks
• Deep Neural Networks for Object Detection

• R-CNN : Rich feature hierarchies for accurate object detection and semantic segmentation  * Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition : 이미지를  반복해서 Crop해 DNN Feature를 얻는 과정을 개선하기 위해 SPP Layer소개.  * Object detection via a multi-region & semantic segmentation-aware CNN model : Feature Level    RNN으로 Context Feature Extract하여 Concat
• Fast R-CNN : R-CNN의 파이프라인에서 마지막 부분에 해당하는 SVM을 Neural Network로 개선해 성능과 속도를 높임.
• Faster R-CNN : R-CNN의 파이프라인에서 첫번쨰 부분에 해당하는 Selective Search(Proposal)을 Neural Network로 개선해 속도와 성능 개선함.
  • R-CNN Minus R
  • G-CNN: an Iterative Grid Based Object Detector
  • Faster R-CNN +++
• R-FCN: Object Detection via Region-based Fully Convolutional Networks : Faster R-CNN을 Fully Convolutional 하게 변경.

• Multibox, Edgebox, MSC-Multibox 등 DNN 기반의 방식으로 Proposal 개선하기도 함.
  • Scalable Object Detection using Deep Neural Networks
  • Edge Boxes: Locating Object Proposals from Edges
  • Scalable, High-Quality Object Detection
  • DeepBox: Learning Objectness With Convolutional Networks
• You Only Look Once: Unified, Real-Time Object Detection
  • Overfeat, Multibox 등의 Formulation을 발전시키고, Network Architecture의 개선으로 성능 개선
• SSD: Single Shot MultiBox Detector
  • Faster RCNN 등과 성능이 비등하면서도 YOLO만큼 빠름