3-8. RPN, Positive Anchor Box

# Ground Truth BB 겹치는 IOU값에 따라 Anchor Box를 분류함.

- IOU가 가장 높은 Anchor는 Positive

- IOU가 0.7 이상이면 Positive

- IOU가 0.3 이하면 Negative / Negative는 Not Object임을 학습시키기 위해

- IOU가 0.3 ~ 0.7이면 아예 학습에 포함시키지 않고 filtering out 함

 

# Anchor Box를 Reference로 한 Bounding Box Regression

- 예측 BB와 Positive Anchor Box와의 좌표 차이는 Ground Truth와 Positive Anchor Box와의 좌표 차이와 최대한 동일하게 될수있도록 regression 학습

- Ground Truth Box와 Positive Anchor Box의 중심좌표 간 거리(좌표 차이)와 Positive Anchor box와 Predicted Anchor box와의 중심좌표 거리(고정값)가 비슷하면 유사한 것이다.

 

 

# Anchor box에 따른 RPN output

 

2배는 classification, 4배는 4*9 36 reg

 

# RPN Loss 함수

Pi	Anchor i가 오브젝트일 예측확률
Pi*	Anchor i의 Ground Truth Object여부
Ti	Anchor i와 예측 좌표 차이(x,y,w,h)
Ti*	Anchor i와 Ground Truth 좌표 차이(x,y,w,h)
Ncls	미니 배치에 따른 정규화 값(256)
Nbox	박스 개수 정규화 값(최대2400)
L	밸런싱 값 : 10

 

# Faster RCNN Training : Alternating Training

먼저 RPN부터 학습하고 Faster RCNN을 학습시키고 도출된 Loss로 fine tuning

 

 

 

=> selective search를 제거해서 최초로 Deep learning으로만 구성된 알고리즘임