영상 처리 및 컴퓨터 비전

시맨틱 분할과 객체 감지의 차이점

시맨틱 분할에서는 원하는 객체가 픽셀 수준에서 이미지의 여러 영역에 걸쳐 있어도 되기 때문에 객체 감지의 유용한 대안이 될 수 있습니다. 객체가 경계 상자 안에 있어야 하는 객체 감지와 달리 시맨틱 분할에서는 비정형 모양을 갖는 객체도 깔끔하게 감지됩니다(그림 2).

시맨틱 분할의 용도

시맨틱 분할에서는 이미지의 픽셀에 분할 레이블을 적용하기 때문에 다른 형태의 객체 감지보다 훨씬 정밀합니다. 따라서 시맨틱 분할은 다음과 같이 정밀한 이미지 지도가 필요한 다양한 산업 분야에서 유용하게 사용됩니다.

• 자율주행—행인, 보도, 가로등, 다른 자동차와 같은 장애물과 도로를 분리하여 차량이 주행 가능한 경로 식별
• 산업 검사—재료에 포함된 결함 감지(웨이퍼 검사 등)
• 위성 영상—산, 강, 사막과 같은 다양한 지형 식별
• 의료 영상—세포에서 암과 같은 이형을 분석 및 감지
• 로봇 비전—객체와 지형의 식별 및 탐색

사례: 자율주행 분야에서의 적용

그림 4의 시퀀스에서는 자율주행에 사용된 시맨틱 분할의 실제 사례를 보여줍니다. 도로 이미지가 다른 자동차들로부터 자동으로 분할됩니다. 다음 섹션에서는 시맨틱 분할 네트워크가 어떻게 생성되는지 설명합니다.

1단계: 데이터에 레이블을 적용하거나 레이블이 적용된 데이터를 확보합니다.

2단계: 원본 이미지와 레이블이 적용된 이미지를 위한 데이터저장소를 생성합니다.

다량의 데이터로 작업할 때는 모든 정보를 메모리에 로드할 수 없는 경우가 자주 있습니다. 데이터저장소를 사용하면 대규모 데이터셋을 관리할 수 있습니다. 데이터저장소는 사용자가 액세스하려는 파일의 위치를 포함하고 있으며, 해당 파일에 연산을 수행해야 하는 경우에만 이를 메모리에 로드할 수 있습니다.

SegNet을 생성하려면 다음과 같은 두 가지 데이터저장소가 필요합니다.

1. ImageDatastore - 원본 이미지를 포함하는 데이터저장소
2. PixelLabelDatastore - 레이블이 적용된 이미지를 포함하는 데이터저장소

3단계: 데이터저장소를 파티션으로 나눕니다.

4단계: CNN을 가져온 다음 SegNet이 되도록 수정합니다.

VGG16과 같은 사전 학습된 네트워크를 로딩하고 SegNetLayers 명령을 활용해 픽셀 수준 레이블 지정에 필요한 인코더-디코더 아키텍처를 만듭니다.

5단계: 네트워크를 훈련하고 평가합니다.

마지막 단계에서는 네트워크의 하이퍼파라미터를 설정하고 네트워크를 훈련시킵니다.