[論文レビュー] Embedded CNN based vehicle classification and counting in non-laned road traffic

Mayank Chauhan, Arshdeep Singh+3 more|arXiv (Cornell University)|Jan 18, 2019

Advanced Neural Network Applications参考文献 12被引用数 8

ひとこと要約

本稿では、デリー・NCRのようなレーンのない多様な交通環境を想定し、独自にアノテートされた5,562フレームのデータセットを用いて、車両分類およびカウントのための埋め込み型CNNベースのシステムを提案する。微調整と転移学習を用いて訓練されたモデルは、最大75%の平均平均精度（mAP）を達成した。また、低接続性地域における実世界の展開を想定した実用的な遅延およびエネルギー効率性を示す埋め込み実装がなされた。

ABSTRACT

Classifying and counting vehicles in road traffic has numerous applications in the transportation engineering domain. However, the wide variety of vehicles (two-wheelers, three-wheelers, cars, buses, trucks etc.) plying on roads of developing regions without any lane discipline, makes vehicle classification and counting a hard problem to automate. In this paper, we use state of the art Convolutional Neural Network (CNN) based object detection models and train them for multiple vehicle classes using data from Delhi roads. We get upto 75% MAP on an 80-20 train-test split using 5562 video frames from four different locations. As robust network connectivity is scarce in developing regions for continuous video transmissions from the road to cloud servers, we also evaluate the latency, energy and hardware cost of embedded implementations of our CNN model based inferences.

研究の動機と目的

• 発展途上地域に見られるようなデリー・NCRのような非レーンで多様な交通環境における自動車のカウントおよび分類の課題に対処すること。
• 西洋の交通データセット（PASCAL VOC, KITTI）で微調整された事前学習済みCNNモデルの性能が低い問題を克服するため、ドメイン固有のアノテート済みデータセットを構築すること。
• リソース制約のある環境における低遅延・低消費電力推論を実現する埋め込みプラットフォームへのモデル展開の可能性を評価すること。
• 道路沿いのカメラを活用した正確でスケーラブルな交通モニタリングにより、データドリブンな都市政策意思決定を支援すること。
• ICTと開発のギャップを埋め、都市基盤計画のためのスケーラブルで低コストな交通モニタリングシステムを実現すること。

提案手法

• 道路沿いや車内カメラ（魚眼レンズおよび通常レンズを併用）を用いて、デリー・NCRの4か所の地点（交差点や高速道路など）から動画データを収集した。
• 2輪車、3輪車、乗用車、バス、トラックを含む8種類の車両クラスについて、5,562フレームに合計32,088個のバウンディングボックスを手動でアノテートした。
• ImageNetを用いた転移学習と、その後のドメイン固有の微調整を経て、事前学習済みCNN物体検出モデル（例：Faster R-CNN や YOLOバージョン）を微調整した。
• 80-20のトレイン・テスト分割を用いてモデル性能を評価し、主に平均平均精度（mAP）を指標として報告した。
• NVIDIA Jetson や Coral TPU などの埋め込みプラットフォーム上で、推論遅延、消費電力、ハードウェアコストを測定し、リアルタイム展開可能性を評価した。
• 異なるカメラアングル、レンズタイプ、視点（正面、側面、背面）を想定した、クロスカメラ評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 非レーンで多様な交通環境（例：デリー・NCR）において、CNNベースの物体検出モデルは、多様な車両タイプの分類およびカウントにおいて高い精度を達成できるか？
• RQ2 西洋の交通データセット（PASCAL VOC, KITTI）で微調整されたモデルをインドの非レーン交通に適用した場合、性能はどの程度低下するのか？その原因は何か？
• RQ3 デリー・NCRから得た独自のアノテート済みデータセットは、西洋のデータセットからの転移学習に比べて、どの程度モデル性能を向上させるか？
• RQ4 道路沿いの交通モニタリングに適した埋め込みシステムに、このようなモデルを展開する際の遅延、消費電力、ハードウェアコストは何か？
• RQ5 実際の都市部展開において、異なるカメラ設置状況、レンズタイプ、視点角度に対して、モデルの汎化性能はどの程度か？

主な発見

• 提案されたモデルは、独自にアノテートされたデリー・NCRデータセットを用いた80-20のトレイン・テスト分割において、最大75%の平均平均精度（mAP）を達成した。
• 西洋のデータセット（PASCAL VOC と KITTI）で微調整された事前学習済みモデルは、デリーの交通環境では著しく性能が低く、それぞれ0.58%および0.01%のmAPにとどまった。
• 性能の低下は、自動リクシャー、電動リクシャーなどの車両タイプの違い、レーンのない交通によるオクルージョン、不規則な交差点の形状、およびカメラの視点（ドライバー視点 vs. 道路沿い視点）の違いに起因するとされた。
• 5,562フレームに32,088個のアノテーションを含む独自のアノテート済みデータセットは、ターゲットドメインにおける高い精度を達成するために不可欠であった。
• 訓練済みモデルの埋め込み実装は、実用的な遅延およびエネルギー効率性を示し、低接続性地域におけるリアルタイム展開が可能であることを裏付けた。
• クロスカメラ評価では、あるカメラタイプで訓練されたモデルは中程度の汎化性能を示したが、レンズタイプや視点角度によって性能にばらつきが見られ、多様な訓練データの必要性が浮き彫りになった。