detection 과정 질문

Question

안녕하세요. 제가 이해를 못한 부분이 있어서 질문드립니다. 1. 과정이 a. region proposal로 RoI 2000개 추출 b. 2000개의 각 이미지들은 따로 feature extractor에 입력 c. feature extractor에서 feature map 추출 d. feature map -> 1D로 추출 e. FC Layer 에서 확률 추출 맞나요?? 혹시 제가 잘못 이해했다면, 알려주시면 감사하겠습니다! ----- 2. 1-c. 과정에서 feature map이 뭔지 잘 모르겠습니다 각 이미지에서 feature extractor를 추출한다는게 사람으로 예를 들자면 눈과 같은 특징들을 추출한게 feature map이라고 보면 될까요?? --- 3. 1-d. e. 과정에서 1D -> FC Layer에 입력이 무엇을 하는지 잘 모르겠습니다. feature map을 기반으로 어떤 벡터를 추출하는거죠?? --- 4. FC Layer 가 Fully connected layer가 이미지를 예측한다는걸 알겠는데 FC Layer는 feature map을 1D로 만든 값을 기준으로 어떤 object인지 예측하는게 아닌가요? 그 후 다시 SVM Classifier를 하는게 이해가 잘 안갑니다! --- 5. Flatten 된 값들을 가지고 좌표를 예측한다고 하셨는데, 어떻게 1차원 값을 가지고 좌표를 예측하는지 이해가 잘 안갑니다... --- 질문을 한번에 너무 많이 남겨서 죄송합니다.. 혹시 다음에 질문을 개별로 남겨야된다면 알려주시면 감사하겠습니다! 좋은 강의 제공해주셔서 감사합니다!

권 철민 · Answer

안녕하십니까, 1. 과정이 a. region proposal로 RoI 2000개 추출 b. 2000개의 각 이미지들은 따로 feature extractor에 입력 c. feature extractor에서 feature map 추출 d. feature map -> 1D로 추출 e. FC Layer 에서 확률 추출 맞나요?? => 네 맞습니다. 2. 1-c. 과정에서 feature map이 뭔지 잘 모르겠습니다 각 이미지에서 feature extractor를 추출한다는게 사람으로 예를 들자면 눈과 같은 특징들을 추출한게 feature map이라고 보면 될까요?? => 네, 맞습니다. 3. 1-d. e. 과정에서 1D -> FC Layer에 입력이 무엇을 하는지 잘 모르겠습니다. feature map을 기반으로 어떤 벡터를 추출하는거죠?? => 이게 딥러닝의 일반적인 이미지 classfication 방식입니다. 어떤 벡터를 추출하는지는 정확히 모르지만 FC layer를 연속으로 붙여서 과적합(overfitting)과 최종 classification 단에서 성능을 약간 높이는데 일반화된 방식입니다. 4. FC Layer 가 Fully connected layer가 이미지를 예측한다는걸 알겠는데 FC Layer는 feature map을 1D로 만든 값을 기준으로 어떤 object인지 예측하는게 아닌가요? 그 후 다시 SVM Classifier를 하는게 이해가 잘 안갑니다! => 정확히 애기하자면 Fully connected layer에서 예측을 하지는 않습니다. 물론 최종 fully connected layer에서 일반적으로 예측합니다. 그리고 RCNN에서 이렇게 모델을 만들어도 되었는데, 최종 Layer를 fully connected 로 안하고 SVM으로 했을 때 더 성능이 좋았다고 합니다. 앞에 Fully connected layer는 3번 답변 드린대로 최종 layer이전에 한두개의 dense layer를 붙여서 성능을 조금 향상시킬 수 있는 일반적인 기법입니다. 5. Flatten 된 값들을 가지고 좌표를 예측한다고 하셨는데, 어떻게 1차원 값을 가지고 좌표를 예측하는지 이해가 잘 안갑니다.. => 음, 이것 역시 딥러닝 회귀의 일반적인 방식입니다. feature map기반에서 좌표값을 가지고 dense layer를 학습하면서 좌표를 예측하는 방식입니다. 이건 딥러닝 회귀 모델을 좀 인터넷에서 찾아보시면 좀 더 이해가 쉬울 것 같습니다. 감사합니다.