fully convolutional layer에 대해서 질문이있습니다.

안녕하십니까,

보통은  classification, Regression을 할때 Fully connected layer 연결후에 activation함수(multi classification일 경우 softmax, binary classification 일때 sigmoid,  regression일 경우 linear)를 이용하여 결과를 얻습니다.

예를 들어  Keras를 사용한다면 binary classification(오브젝트인가 아닌가?)라면 Dense 를 사용하여  아래와 같이 최종 Fully connected 단을 만들 수 있습니다.

X = Conv2D(...)(input)

X= Conv2D(...)(X)

X = Flatten()(X)

...

### 이진 Classification 최종 fully connected 단

Dense(1, activation='sigmoid')(X)

그런데 이렇게 Dense를 사용하지 않고 1x1 Conv2D 연산 후 activation을 바로 적용해서 이진 classification 예측 확률을 구할 수도 있습니다.

x_class = Conv2D(num_anchors * 2, (1, 1), activation='sigmoid', kernel_initializer='uniform', name='rpn_out_class')(x)

따라서 전반적으로 RPN Network은 아래와 같이 만들어 질 수 있습니다.

base_layers를 input layer라고 할때

def rpn_layer(base_layers, num_anchors):
    # 3x3 conv 후에 feature map output
    x = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='normal', name='rpn_conv1')(base_layers)
    # 1x1 conv 후에 sigmoid activation 으로 이진 binary classification,  filter 갯수는 anchor 갯수 * 2
    x_class = Conv2D(num_anchors * 2, (1, 1), activation='sigmoid', kernel_initializer='uniform', name='rpn_out_class')(x)

    # 1x1 conv 후에 linear로 regression수행,  filter 갯수는 anchor 갯수 * 4
    x_regr = Conv2D(num_anchors * 4, (1, 1), activation='linear', kernel_initializer='zero', name='rpn_out_regress')(x)

    return [x_class, x_regr, base_layers]

감사합니다.

코드까지 붙여주셔서 이해하는데 도움이 되었습니다. 감사합니다!!

직접 tensorflow 로 해봤는데. 

shape=(1, 37, 50, 18), dtype=float32)

40, 50 으로 512 채널 결과가 있을때 

앵커마다 9 * 2(물체인지 아닌지) 이렇게 각픽셀별로 sigmoid 값을 한방에 계산할수 있구나 라고 이해했습니다. ㅎ 맞는지 틀린지는 잘모르곘지만 앵커 개념이 들어가다보니까. 뭔가 복잡해보여 어렵긴 한것같습니다. ㅠㅜ 그래도 선생님 코드 보면 대략적으로 이해가 가네요~감사합니다.