[論文レビュー] Small Object Detection using Deep Learning

Aleena Ajaz, Ayesha Salar+2 more|arXiv (Cornell University)|Jan 10, 2022

Advanced Neural Network Applications被引用数 6

ひとこと要約

本論文では、空中画像における小型ドローンの検出を目的とした、軽量で効率的なディープラーニングシステムをTiny YOLOv3に基づいて提案する。モデルは93%のリcallと91%のprecisionを達成し、従来のYOLOバージョンと比較して性能が向上し、計算コストが低減されている。これは、UAV監視アプリケーションにおけるリアルタイム自律検出に適している。

ABSTRACT

Now a days, UAVs such as drones are greatly used for various purposes like that of capturing and target detection from ariel imagery etc. Easy access of these small ariel vehicles to public can cause serious security threats. For instance, critical places may be monitored by spies blended in public using drones. Study in hand proposes an improved and efficient Deep Learning based autonomous system which can detect and track very small drones with great precision. The proposed system consists of a custom deep learning model Tiny YOLOv3, one of the flavors of very fast object detection model You Look Only Once (YOLO) is built and used for detection. The object detection algorithm will efficiently the detect the drones. The proposed architecture has shown significantly better performance as compared to the previous YOLO version. The improvement is observed in the terms of resource usage and time complexity. The performance is measured using the metrics of recall and precision that are 93% and 91% respectively.

研究の動機と目的

• UAVが撮影した空中画像における非常に小さなドローンの検出という課題に対処すること。
• リソース制限のあるシステムにリアルタイム展開に適した、効率的で軽量なディープラーニングモデルを開発すること。
• 従来のYOLOバージョンと比較して、検出精度を向上させるとともに、計算複雑度を低減すること。
• セキュリティが重要な環境における、小規模な空中脅威の自律的検出とトラッキングを可能にすること。

提案手法

• You Only Look Once（YOLO）オブジェクト検出フレームワークの軽量版として、カスタムディープラーニングモデルであるTiny YOLOv3を開発する。
• 小規模なドローンを高精度かつ低遅延で検出できるように、空中画像でモデルをトレーニングする。
• パラメータ数と推論時間を低減するようにアーキテクチャを最適化し、効率性を向上させる。
• 標準的な指標（precisionとrecall）を用いて性能を評価しており、mAPやIoU閾値については言及がない。
• 推論速度を活かしつつ高精度な検出を維持するため、リアルタイム推論を想定した設計がなされている。

実験結果

リサーチクエスチョン

• RQ1 軽量なYOLOベースのモデルは、空中画像における非常に小さなドローンの検出で高い検出精度を達成できるか？
• RQ2 提案されたTiny YOLOv3モデルは、従来のYOLOバージョンと比較して、推論速度およびリソース使用量においてどのように異なるか？
• RQ3 UAV監視シナリオにおける小規模オブジェクト検出で、どの程度の精度とリcallが達成できるか？
• RQ4 モデル最適化は、検出性能を損なわずに計算複雑度をどの程度低減できるか？

主な発見

• 提案されたTiny YOLOv3モデルは、小規模ドローン検出タスクにおいて91%のprecisionと93%のリcallを達成した。
• 以前のYOLOバージョンと比較して、リソース使用量および時間計算量の面で顕著な効率改善が見られた。
• 高速な推論速度と低コストの計算フットプリントのおかげで、リアルタイム展開に適している。
• 複雑な空中背景の中でも、非常に小さなオブジェクトに対して高い検出精度を維持している。