[AI부트캠프] 이미지 처리 Segmentation

🏆 학습목표

• Image Segmentation 개념을 이해하고 대표 모델을 활용할 수 있다.
• Image Augmentation의 개념을 이해하고, 기본적인 증강방식을 활용할 수 있다.
• Object Recognition 개념을 이해하고, 활용할 수 있다.

---

🔥Warm up

---

🌈Class

image Segmentation

• 왜 할까?
  이미지의 픽셀 단위로 대상 분류
• Unet - 다운샘플링해서 줄이는 것 인코더, 업샘플링해서 늘리는 것 디코더

object Recognition

• object detection
  fast

image Augmentation

• 왜 할까?
  • 데이터 양을 늘리려고
  • 크기 조절, 이미지 뒤집기, 색 바꾸기, 자르기, 회전..
• train에만 적용
• 장점
  • 데이터 양을 늘릴 때 도움됨 -> 과적합 방지, 일반화된 모델
  • 다양한 상황에 대비
    • 이미지의 여러 모습을 보여줘서 자율주행 때 여러 상황 대비
• 단점
  • 6, 9 -뒤집기-> 9, 6
  • 바뀐 모습이 다른 정보와 겹치면 학습에 방해 됨
  • 자율주행의 경우 길이 하늘에 올 일은 없기에 180도 반전하지 않음. 10, 20도만 조절
  • 학습에 방해 되지 않는 선에서, 데이터를 손상시키지 않는 선에서 실행해야함

---

QnA

upsampling

• down sampling
  • pooling -> 특징 추출, 차원 축소
• 다운 샘플링했던 행렬을 다시 원래 크기로
  • 왜?: 차원을 줄이니까 이해가 안 가서
• 방법
  • pooling
    • unpooling
    • max unpooling
  • Transpose Convolution > fliter사용해서 차원 늘림

RCNN

• object detection
  • 이미지에 박스를 쳐서 객체가 있을 만한 곳 탐지
    • selective search
  • crop함 -> 엄청 많아짐
  • 각각 cnn과정을 돌려줌
  • 분류
• 단점
  • 느리다
  • fast R-CNN, Faster R-CNN등장!

Fast R-CNN, Faster R-CNN

Instance Segmentation

• sementic vs instance
  • sementic : 의미만 찾음, 클래스만 분류함, 두 마리 붙어 있으면 구분x
  • instance : 객체 단위 분류, 같은 클래스더라도 독립된 개체라면 각각 다르게 표현

이미지 처리로 할 수 있는 것

• segmentation
  • 픽셀 단위로 클래스를 분류
• semantic Segmentation vs instance segmentation
  • 분할차이
  • 뭉쳐 있으면 구분x
  • 강아지 2마리 -> 그냥 강아지 덩어리로 인식
• object detection
• pose

U-net

• 의료분야 에서 사용
• segmentation
• 왜 u-net?
  • u모양 -> 패딩 없이 다운 샘플링하니까 줄어듦
  • down sampling, up sampling

---

1. upsampling 한 것은 반드시 downsampling을 해줘야 하나요?
   A. 독립적인 거임

2. 업샘플링 하고난 결과가 인풋값과 완전히 같은 건가요?
   A. 파일을 압축했다가 복원을 한 것 처럼 약간의 손상이 있을 수 있다.

3. 언풀링의 방법에 따라서 출력의 밝기나 색깔등에 영향을 줄까요?
   A. 언풀링의 목적은 원상태로 돌리는 게 아니라 크기를 맞춰주려고 쓰는 거라 어느정도 감수를 하고 쓴다.

4. maxunpooling 같은 경우에는 maxpooling할 때 위치 정보를 저장해놨다가 unpooling에 이용함. 위치정보는 용량이 크지 않음