Fast R-CNN은 객체 탐지 및 위치 파악을 위한 기계 학습 모델로, 2015년 4월에 기존 R-CNN의 개선판으로 도입되었다. 이는 신경망 기반의 Region-based Convolutional Neural Networks(R-CNN) 계열에 속하며, 이미지에서 경계 상자와 범주 레이블을 생성하여 객체를 식별하는 것을 목표로 한다. Fast R-CNN은 원본 R-CNN의 주요 비효율성을 해결하는데, 수천 개의 후보 영역 각각에 대해 별도로 신경망을 실행하는 대신 입력 이미지 전체에 대해 단 한 번만 신경망을 실행함으로써 훈련 및 추론 속도를 높이면서도 정확도를 유지한다.
이 모델은 Ross Girshick이 개발했으며, 이전 R-CNN 연구를 기반으로 한다. Fast R-CNN은 선택적 탐색(selective search) 알고리즘을 사용하여 관심 영역(ROIs)을 제안하고, 이를 합성곱 신경망으로 처리한다. 전용 ROIPooling 모듈은 각 ROI에 대해 고정 크기의 특징 맵을 추출하며, 이후 완전 연결 계층을 통해 분류 및 경계 상자 회귀를 수행한다. 이 설계는 R-CNN이 각 영역에 대해 독립적으로 특징을 계산하던 것과 비교하여 계산 중복을 크게 줄인다.
구조
Fast R-CNN의 구조는 입력 이미지를 한 번 처리하는 합성곱 백본(예: VGG16)으로 구성된다. 선택적 탐색은 이미지에서 최대 2000개의 영역 제안을 생성한다. 각 제안은 특징 맵의 해당 영역에 매핑되며, ROIPooling은 이 영역을 고정된 그리드(예: 7x7)로 나누고 최대 풀링을 적용하여 고정 크기 출력을 생성한다. 이러한 풀링된 특징은 완전 연결 계층에 입력되어 소프트맥스 클래스 확률과 경계 상자 오프셋을 출력한다. 전체 네트워크는 분류 손실과 회귀 손실을 결합한 다중 작업 손실을 사용하여 종단 간(end-to-end)으로 훈련된다.
R-CNN 대비 개선점
Fast R-CNN의 주요 개선점은 계산 효율성이다. R-CNN은 각각의 2000개 ROI를 CNN을 통해 독립적으로 처리하여 막대한 중복 계산을 수행했지만, Fast R-CNN은 모든 ROI에 대해 합성곱 계산을 공유한다. 이를 통해 훈련 시간은 며칠에서 몇 시간으로 단축되었고, 추론 속도는 200배 이상 빨라졌다. 또한 Fast R-CNN은 R-CNN에서 사용된 서포트 벡터 머신(SVM) 대신 소프트맥스 분류기를 사용하여 모델을 단순화하고 성능을 향상시켰다. ROIPooling 계층은 역전파 중에 ROI를 통해 그래디언트가 흐를 수 있게 하여 종단 간 훈련을 가능하게 했으며, 이는 원본 R-CNN의 분리된 훈련 절차에서는 불가능했다.
영향 및 유산
Fast R-CNN은 객체 탐지 분야에서 중요한 이정표가 되었으며 이후 모델에 큰 영향을 미쳤다. 2015년 6월에는 선택적 탐색을 신경망에 통합된 영역 제안 네트워크로 대체한 Faster R-CNN이 뒤를 이었고, 속도와 정확도가 더욱 향상되었다. 이후 확장 모델로는 2017년 3월 인스턴스 분할을 위한 Mask R-CNN, 2017년 12월 IoU 임계값을 점진적으로 높여 위치 정확도를 개선한 Cascade R-CNN, 2019년 6월 3D 메시 생성을 위한 Mesh R-CNN 등이 있다. R-CNN 계열은 드론 객체 추적, 텍스트 위치 파악, Google Lens와 같은 응용 분야에 널리 사용되었다.
훈련 및 성능
Fast R-CNN은 PASCAL VOC 및 COCO와 같은 데이터셋에서 확률적 경사 하강법과 학습률 스케줄링을 사용하여 훈련된다. 일반적으로 사전 훈련된 백본(예: VGG16)을 대상 데이터셋에 맞게 미세 조정한다. 이 모델은 벤치마크 데이터셋에서 높은 평균 정밀도(mAP)를 달성하며, R-CNN 대비 추론 속도가 약 25배 빠르다. 예를 들어, PASCAL VOC 2012에서 Fast R-CNN은 66%의 mAP를 기록했다. 훈련 과정은 소수의 이미지에서 ROI를 샘플링하여 긍정 및 부정 예제의 균형을 유지하며, 다중 작업 손실은 분류와 회귀 가중치를 조정하고 하이퍼파라미터를 최적화한다. Fast R-CNN의 효율성은 실용적인 응용을 가능하게 했으며, 컴퓨터 비전 연구와 산업 전반에 걸쳐 널리 채택되는 계기가 되었다.
같이 보기
- 합성곱 신경망
- 객체 탐지
- 선택적 탐색
- 영역 제안 네트워크