[논문 리뷰] Deep Learning for Generic Object Detection: A Survey

Li Liu, Wanli Ouyang외 5명|arXiv (Cornell University)|2018. 09. 06.

Advanced Neural Network Applications참고 문헌 311인용 수 241

한 줄 요약

딥러닝이 일반 물체 탐지에 미친 영향을 다룬 포괄적 고찰로, 프레임워크, 표현, 제안, 맥락(context) 모델링, 학습 및 평가를 다루고 향후 방향을 제시한다.

ABSTRACT

Object detection, one of the most fundamental and challenging problems in computer vision, seeks to locate object instances from a large number of predefined categories in natural images. Deep learning techniques have emerged as a powerful strategy for learning feature representations directly from data and have led to remarkable breakthroughs in the field of generic object detection. Given this period of rapid evolution, the goal of this paper is to provide a comprehensive survey of the recent achievements in this field brought about by deep learning techniques. More than 300 research contributions are included in this survey, covering many aspects of generic object detection: detection frameworks, object feature representation, object proposal generation, context modeling, training strategies, and evaluation metrics. We finish the survey by identifying promising directions for future research.

연구 동기 및 목표

• 딥러닝으로 일반 물체 탐지의 풍경을 요약하고 주요 연구 방향을 식별한다.
• 데이터셋, 평가 기준, 문제 하위 영역에 따라 방법의 분류학과 고수준 구성을 제공한다.
• 일반 물체 탐지에서의 발전을 가능하게 한 주요 이정표, 데이터셋 및 학습 전략을 강조한다.
• 확장 가능하고 정확하며 효율적인 일반 물체 탐지 시스템의 도전 과제와 향후 연구 방향을 논의한다.

제안 방법

• 딥러닝 등장 이후 이 분야의 300개가 넘는 기여를 검토하고 분류한다.
• 데이터셋, 평가 지표, 맥락 모델링, 탐지 제안에 초점을 맞춘 분류 체계를 제시한다.
• 전통적 수공 특징에서 RCNN 등 딥 CNN 기반 탐지기로의 발전을 종합한다.
• 정확도, 효율성, 확장성의 도전 과제를 논의하고 향후 연구 방향을 제시한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 일반 물체 탐지의 주요 도전 과제와 설계 고려사항은 무엇인가?
• RQ2 데이터셋, 평가 지표, 탐지 프레임워크가 일반 물체 탐지의 발전을 어떻게 뒷받침해 왔는가?
• RQ3 수공 특징에서 딥러닝으로의 주요 이정표와 방법론적 전환은 무엇인가?
• RQ4 일반 물체 탐지 시스템을 발전시키기 위한 미래 방향은 무엇이 유망한가?

주요 결과

• 딥러닝은 2012년 이후 일반 물체 탐지 성능을 급격히 향상시키며 빠른 발전을 이끌었다.
• 포괄적 분류 체계는 방법을 데이터셋, 평가, 맥락 모델링, 제안 전략 주위로 정리하는 데 도움이 된다.
• 대규모 주석 데이터셋과 GPU는 많은 물체 범주에 걸친 깊은 탐지를 학습하는 데 결정적이었다.
• 수공 특징에서 CNN 기반 탐지기 및 지역 기반 프레임워크로의 전환 등 발전이 이어졌다.
• 이 고찰은 정확도, 효율성 및 확장성의 남은 과제를 식별하고 향후 연구 방향을 제시한다.