Object detection-AlexNet 이전

Object Detection은 전통적인 감지 방법과 딥러닝 기반의 감지 방법으로 나뉜다.

역사

https://darkpgmr.tistory.com/116

Brief History : (Traditional Detections)

 

 

 

• Viola Jones Detector
  • 어떠한 제약 없이 실시간으로 face detection을 할 수 있게 만든 알고리즘

이에 대한 간단한 설명(나에겐 크게 중요하진 않은거 같애서 현재)

• SIFT
  • 특징점 주변의 영상패치를 4 X 4 블록으로 나누고 각 블록에 속한 픽셀들의 gradient 방향과 크기에 대한               히스토그램을 구한 후, 이 히스토그램 bin 값들을 일렬로 쭉 연결한 128차원 벡터.
  • 특징점 주변의 로컬한 gradient 분포특성(밝기)을 표현하는 feature이다.
  • 특징점 단위로 혹은 코드북 단위로 매칭 수행 -> 어떤 매칭 방법을 사용했느냐에 따라서 성능이 크게 좌우

ps. 매칭 방법은 많은 종류가 있는데 예시로

템플릿 매칭은 원래 영상의 기하학적 정보를 그대로 유지하여 매칭을 할 수 있지만 대상의 형태나 위치가 조금만 바뀌어도 매칭이 잘 안되는 문제가 있다.

반면에 히스토그램 매칭은 형태가 변해도 매칭을 할 수 있지만 대상의 기하학적 정보를 잃어버리고 단지 분포 정보만을 기억하기 때문에 잘못된 대상과도 매칭이 되는 문제가 있다.

• HOG Detector (edge방향 히스토그램 템플릿으로 볼 수 있다)
  • 대상 영역을 일정 크기의 셀로 분할 -> 각 셀마다 edge 픽셀들의 방향에 대한 히스토그램을 구한다                       -> 히스토그램 bin 값을 일렬로 연결한 벡터
  • 템플릿 매칭과 히스토그램 매칭의 중간 단계 -> 블록 단위로는 기하학적 정보 유지, 내부에서는 히스토그램 사용함-> 로컬한 변화에는 어느정도 강인한 특성을 가지고 있다.
  • edge의 방향정보를 이용->edge( 영상의 밝기 변화, 조명 변화 등에 덜 민감 )기반 템플릿 매칭 방법
  • 물체의 실루엣(윤곽선) 정보를 이용
• SIFT와 HOG의 차이
  • HOG는 물체의 윤곽선으로 물체를 식별할 수 있을 경우 적합
  • SIFT는 내부 패턴이 복잡라여 특징점이 풍부한 경우 적합
• DPM

dpm

여러번 하는 듯.

 

https://better-tomorrow.tistory.com/entry/Selective-Search-%EA%B0%84%EB%8B%A8%ED%9E%88-%EC%A0%95%EB%A6%AC

Selective Search 간단히 정리..

https://velog.io/@whiteamericano/R-CNN-%EC%9D%84-%EC%95%8C%EC%95%84%EB%B3%B4%EC%9E%90

R-CNN 을 알아보자

https://blog.naver.com/PostView.naver?blogId=laonple&logNo=220935916241

[Part Ⅶ. Semantic Segmentation] 2. Selective Search [4] - 라온피플 머신러닝 아카데미 -