[論文レビュー] Traffic Signs Detection and Recognition System using Deep Learning

Pavly Salah Zaki, Marco Magdy William+4 more|arXiv (Cornell University)|Mar 6, 2020

Advanced Neural Network Applications参考文献 12被引用数 10

ひとこと要約

本論文では、GTSDBデータセットを用いて、転移学習を活用したFaster R-CNN（F-RCNN）およびTiny-YOLOv2を用いた、リアルタイム交通標識検出・認識システムを提案している。モデルは高い精度と効率性を達成しており、高性能PCおよびRaspberry Pi 3 Model B+などのエッジデバイスへの成功したデプロイにより、明るさや天候の変化に強い性能を示している。

ABSTRACT

With the rapid development of technology, automobiles have become an essential asset in our day-to-day lives. One of the more important researches is Traffic Signs Recognition (TSR) systems. This paper describes an approach for efficiently detecting and recognizing traffic signs in real-time, taking into account the various weather, illumination and visibility challenges through the means of transfer learning. We tackle the traffic sign detection problem using the state-of-the-art of multi-object detection systems such as Faster Recurrent Convolutional Neural Networks (F-RCNN) and Single Shot Multi- Box Detector (SSD) combined with various feature extractors such as MobileNet v1 and Inception v2, and also Tiny-YOLOv2. However, the focus of this paper is going to be F-RCNN Inception v2 and Tiny YOLO v2 as they achieved the best results. The aforementioned models were fine-tuned on the German Traffic Signs Detection Benchmark (GTSDB) dataset. These models were tested on the host PC as well as Raspberry Pi 3 Model B+ and the TASS PreScan simulation. We will discuss the results of all the models in the conclusion section.

研究の動機と目的

• 変動する明るさ、天候、視認性の条件に強く、リアルタイムで動作する交通標識検出・認識システムの開発を目的とする。
• ドイツの交通標識検出ベンチマーク（GTSDB）上で、F-RCNN、SSD、YOLOの変種といった複数のディープラーニングアーキテクチャの性能を評価することを目的とする。
• GTSDBデータセットに事前学習済みモデルを微調整することで、検出精度と推論速度の向上を図るため、最先端モデルの転移学習によるファインチューニングを目的とする。
• 最良のパフォーマンスを示したモデルを、高性能ハードウェアおよび低コストのエッジデバイス（Raspberry Pi 3 Model B+）にデプロイし、ベンチマークを実施することを目的とする。
• 実世界のテストおよびPreScanシミュレーション環境を用いて、システムの頑健性を検証することを目的とする。

提案手法

• 物体検出に、バックボーン特徴抽出器としてInception v2を用いたFaster R-CNNを採用した。
• エッジデプロイに向けた代替リアルタイム検出モデルとして、Tiny-YOLOv2を活用した。
• GTSDBデータセットに事前学習済みモデルを微調整することで、交通標識認識に適応させる転移学習を適用した。
• 平均平均精度（mAP）を含む標準的な検出指標を用いて、モデルのパフォーマンスを評価した。
• リアルタイム実行可能性の評価のため、ホストPCおよびRaspberry Pi 3 Model B+の両方で推論テストを実施した。
• 多様な走行条件をシミュレートするため、TASS PreScanシミュレーション環境を用いて結果の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 交通標識検出において、精度と推論速度のバランスを最も良く満たすディープラーニングアーキテクチャは何か？
• RQ2 転移学習およびモデルのファインチューニングは、GTSDBデータセットにおける検出性能をどのように向上させるか？
• RQ3 高精度な検出モデルは、Raspberry Pi 3 Model B+のような低消費電力エッジデバイスに効果的にデプロイ可能か？
• RQ4 明るさや天候の変化が、検出システムの頑健性にどのように影響を与えるか？
• RQ5 リアルタイム検出シナリオにおいて、Inception v2をバックボーンとするF-RCNNとTiny-YOLOv2の性能を比較するとどうなるか？

主な発見

• F-RCNNにInception v2を組み合わせたモデルが、GTSDBデータセット上で評価されたモデルの中で最高の検出精度を達成した。
• Tiny-YOLOv2は優れた推論速度を示し、Raspberry Pi 3 Model B+へのデプロイに成功し、リアルタイム処理が可能であった。
• ファインチューニングされたモデルは、多様な明るさや天候の条件下でも高い性能を維持しており、優れた一般化能力を示した。
• 転移学習により、学習を初期化から行う場合と比較して収束が著しく改善され、検出mAPも向上した。
• PCおよびRaspberry Piの両方でリアルタイム推論が達成され、組み込みデプロイの実現可能性が確認された。
• PreScanシミュレーションの結果、制御されたが挑戦的な環境条件下でもシステムの頑健性が検証された。