Anchor box

1.

RPN 네트워크 내부적으로 작동하는 것이 아니라, 학습을 위해 anchor box라는 개념을 도입해서 labelling 하고, 위치정보를 제공함으로서 RPN이 학습되게 하는 것 맞지요?!

=> 네 , 맞습니다.

2. 이 RPN loss 함수에서 t_i 는 positive anchor box의 위치정보라고 이해하면 될까요?

=> 해당 loss는 전체 anchor에 대한 것입니다. 특정 positive anchor에 대한 것은 아닙니다. 그러니까, positive anchor를 positive anchor로 잘 학습하고, negative anchor는 negative anchor로 잘 학습하게 되면 loss가 줄어드는 식으로 구성이 되어 있습니다.

제가 뭔가 착각하고 있었던 것 같네요.... 

anchor box의 효용은 RPN의 학습목표를 제시하는 것에 있었던 것 같습니다!

RPN 네트워크 내부적으로 작동하는 것이 아니라, 학습을 위해 anchor box라는 개념을 도입해서 labelling 하고, 위치정보를 제공함으로서 RPN이 학습되게 하는 것 맞지요?!

이 RPN loss 함수에서 t_i 는 positive anchor box의 위치정보라고 이해하면 될까요?

안녕하십니까,

1. 먼저 8x8으로 그리신 feature 맵에 앵커박스를 그리신 부분은 편의상 그리실 걸로 알고 있습니다. 원래대로라면, 원본이미지에 해당 feature map의 특정 포인트에 해당하는 부분을 중심으로 하고, 그걸 기준으로 anchor box 를 그리고 원본이미지에서의 object 과 IOU 를 비교하는 것이지요?

=> 네 맞습니다.  원본 이미지의 feature map의 positive anchor box를 이후에 원본 이미지 영역으로 매핑해서 Object와 IOU를 비교합니다.

2. 그리고 bounding box regression 할 때, 학습시에는 ground truth box를 알고 있음에도 굳이 positive anchor box 와의 차이를 통해 학습을 진행하는지 궁금합니다.

=> 앞서도 비슷한 답변을 드린것 같습니다만, anchor box가 없이 ground truth만으로 object detection은 정확한 예측을 할 수가 없습니다(deep learning 이 그렇게 까지 똑똑하지는 않습니다. ^^).

때문에 anchor box를 일정하게 설정하여서 해당 posivitive anchor box를 찾을 수 있도록 계속 학습을 합니다. RPN에서 일정부분 학습 된 anchor box 정보를 다시 메인 faster rcnn network으로 넘기면서 ground truth와 anchor box를 차이를 좁일 수 있도록 학습하는 것입니다.

object 자체의 Detection보다 더 중점적인것 가장 좋은 positive anchor를 어떻게 찾을 것일지를 학습하는 것입니다.