<Introduction>

객체 검출 문제 방법에는 1-stage detector과 2-stage detector가 있습니다.

위 그림은 객체 검출 문제를 해결한 모델들을 잘 나타내주고 있습니다. 1-stage 방식에는 대표적으로 YOLO, Retina-Net 등이 있으며, 2-stage 방식에는 RCNN 시리즈와, SPPNet 등이 있고, 이외에도 수많은 모델이 존재합니다. 

<2-stage detector>

객체 검출의 알고리즘 흐름에는 크게 Regional Proposal과 Classification이 있습니다. 

2-stage detector는 Regional Proposal과 Classification 을 순차적으로 진행하여 객체 검출을 하는 방식입니다.

즉, "물체가 있을거 같다" 라는 영역을 Bounding Box로 대략적으로 찾은 후에, 물체가 있을 것이라 판단되는 영역 내에서 Classification을 진행하는 식으로 결과를 도출하게 됩니다. 

"1-stage detector 방식에 비해 시간은 소요되지만, 보다 좋은 성능의 결과를 도출하고 있습니다. "

여기서, "물체가 있을거 같다" 라고 하는 영역 추출은 "Sliding window" 방식과 "Selective search" 방식이 있습니다. 

"Sliding window" 방식

아래 그림처럼 검출하고자 하는 입력 이미지에 정해진 크기의 "Bounding Box"를 만들어 방향을 이동하면서 물체가 있을 법한 box 나 영역을 추출하는 것입니다. 모든 영역을 탐색해야 하기 때문에 시간이 많이 소요되어 비효율적이라는 특성이 있습니다. 

Selective search 방식

영역의 질감, 색, 강도 등을 갖는 인접 픽셀를 찾아서 물체가 있을 법한 box나 영역을 찾아냅니다. 

아래 그림의 흐름대로 입력 이미지와 최종 영역 추출 이미지의 차이를 확인 할 수 있습니다. 

<1-stage detector>

1-stage detector와 반대로 regional proposal와 classification이 동시에 진행하여 결과를 도출합니다. 

영역 추출에 대한 좌표와 이미지 피처를 CNN을 통해 한번에 학습하여 결과를 도출합니다. 

"2-stage detector 방식에 비해 시간은 적게 소요되지만, 비교적 2-stage보다 좋지 못한 성능의 결과를 도출하고 있습니다. "