출처: https://medium.com/@shoh.kesh.92/rethnet-object-by-object-learning-for-detecting-facial-skin-problems-b070e5a6eb58

2019 년 8 월, lululab Inc에서 안면 피부 문제를 정확하게 감지하기 위해 semantic segmentation 방법을 사용하는 최신 개념을 제안 하였음. 이 작업은 ICCV 2019 Workshop에 accept됨

Outline
1. The Concept of Object-by-Object Learning
2. Dataset
3. REthinker Blocks
4. RethNeT
5. Results

1. The Concept of Object-by-Object Learning

실제로, 피부 병변 대상은 서로 시각적 관계를 가지고 있어 인간이 피부 병변의 유형을 쉽게 판단 할 수 있습니다.

정확하게, 일부 피부 병변들 사이에 "영역-영역", "객체-영역"및 "물체-물체-상호 작용"이 존재하는데, 여기서 병변 클래스의 검출은 그의 발생 상호 작용 (예를 들어, 주름 및 나이 반점, 구진 및 백두, 기타.). 개별 피부 증상에 대한 탐지 결정은 객체 클래스 간의 상황 관계를 통해 동적으로 전환 될 수 있습니다. 이 인지 과정은 "object-by-object decision-making"으로 나타납니다.

그림에서 녹색과 빨간색 상자는 이미지 패치의 유사성 수준을 나타냅니다. 녹색과 빨간색 선은 각 패치의 객체 또는 객체 그룹 사이에 긍정적 관계와 부정적인 관계가 존재 함을 나타냅니다.

Simply, object-by-object learning is observed when an object can be identified by looking at other objects.

간단히 말하면, object-by-object 학습은 다른 객체를 보고 객체를 식별 할 수 있게 되는 것입니다.

2. Dataset

연구진은 정면 이미지의 픽셀 단위 라벨링을 통해 "Multi-type Skin Lesion Labeled Database (MSLD)"라는 데이터 세트를 만들었습니다. MSLD은 facial images의 다중 피부 증상을 진단 할 수있는 비공개 데이터 셋입니다.

412 개의 이미지에는 11 가지 일반적인 유형의 안면 피부 병변과 6 개의 추가 등급이 표시되어 있습니다. 피부 병변은 whitehead, 구진, 농포, 주근깨, 나이 반점, PIH, 홍조, 지루성, 피부염, 주름 및 검은 점입니다. 추가적인 클래스들은 일반적인 피부, 머리카락, 눈 / 입 / 눈썹, 안경, 마스크 / 스카프 및 배경입니다. 사용자의 개인 정보 보호에 대한 책임은 사용자에게 있으므로 MSLD (데이터 세트)를 공개하지 않는다고 보고했습니다.

3. The REthinker Block

SENet 모듈과 로컬로 구축 된 convLSTM / conv3D 장치를 기반으로 한 REthinker 모듈을 제안하여 모호하게 나타난 객체를 캡처하고 객체 클래스 간의 동시 발생 상호 작용을 포착하는 데 도움이 되는 local 및 global contextual representation의 네트워크 sensitivity를 높입니다.