Image Segmentation

@Image Segmentation -> "이미지 분할"
픽셀 기반의 이미지 분석(Image Segmentation) 문제는 컴퓨터 비전 분야에서 널리 알려진 문제
이미지 분석의 목적은 이미지의 각각의 픽셀들을 특정 클래스로 분류하는 것

 

 

딥러닝과 CNN(Convolutional neural networks)은 컴퓨터 비전분야에서 굉장히 널리 쓰이고 있음
CNN은 이미지 분류(Image Classification), 물체 감지(Object Detection), 이미지 생성(Image Generation)등의 분야에 쓰이고 있음

 

 

이미지를 분석하는 데에는 이미지에 대한 높은 수준의 이해가 필요함
개체가 존재한다는 것 말고도 어느 픽셀들이 그 개체를 나타내는지 파악할 수 있어야 함
이미지 분석은 전체적인 이미지를 해석하는 데 있어 가장 중요한 작업 중 하나

 

 

-in 의학 사진
몸을 분석한 사진을 자동으로 분석할 수 있게 되면 의사들이 진단하는 데 매우 큰 도움이 될 것
암 감지 등

 

-in 자율주행차
자율주행차나 드론 등이 이미지 분석의 도움 받을 수 있음
운전할 수 있는 영역 인식 등

-in 위성 이미지
지형 분석에 이용 가능

 

CNN을 이미지 분석에서 사용할 경우 출력은 고정길이 벡터 보다는 이미지(이차원 배열)이 됨

 

@이미지 분석을 위한 CNN, FCN(fully convolution network)
FCN은 버클리대학의 Jonathan Long 등이 2015년 CVPR에 발표한 Semantic Segmentation 알고리즘

 

AlexNet, VGGNet 등 이미지 분류용 CNN 알고리즘들은 일반적으로 Convolution Layer와 Fully Connected 층돌로 이루어져 있음 
항상 입력이미지를 네트워크에 맞는 고정된 사이즈로 작게 만들어 입력해줌
그러면 네트워크는 그 이미지가 속할 클래스를 예측해 알려줌

이 분류용 CNN 알고리즘들은 이미지에 있는 물체가 어떤 클래스에 속하는지는 예측해낼 수 있지만, 그 물체가 어디에 존재하는지는 예측해낼 수 없음
네트워크 후반부의 fully connected 층에 들어서면서 위치정보가 소실되었기 때문
따라서 AlexNet, VGGNet 등과 같은 알고리즘들을 수정 없이 이미지 분석에 그대로 사용하는 것은 불가능

.. 이하 생략

 

 

결론)
실내와 야외의 장면들을 포함하는 이미지에 대해서는, 이미지가 보통 서로 다른 크기로 나타나므로 PSPNet 이 선호됨
보통 여기서 입력 이미지들은 상당히 큰데, 500*500 정도 됨

의학 분야의 이미지에서는, UNet이 보편적인 선택
skip combining 과정을 통해서 UNet은 섬세한 디테일을 놓치지 않음
UNet은 작은 개체들이 있는 실내, 야외 이미지에서도 유용하게 쓰일 수 있음

즉 큰 개체들이 조금 있는 간단한 이미지에서는 UNet 과 PSPNet은 너무 과도한 투자일 수 있음
여기서는 FCN이나 SegNet과 같은 간단한 모델들만으로 충분함

 

 

 

원문 링크 : https://divamgupta.com/image-segmentation/2019/06/06/deep-learning-semantic-segmentation-keras.html

A Beginner’s guide to Deep Learning based Semantic Segmentation using Keras