[論文レビュー] UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5

Jingyao Wang, Naigong Yu|arXiv (Cornell University)|Jul 2, 2022

Advanced Neural Network Applications被引用数 6

ひとこと要約

本論文では、二段階の段階的CSPバックボーン、圧縮・拡張（SE）注目モジュール、および新しいランダムアンカーボックス類似度計算を用いてYOLOv5を強化するリアルタイム水中ターゲット検出手法UTD-Yolov5を提案する。本手法はCSIROデータセットで78.54%の平均精度を達成し、低照度・低解像度の水中環境下でも検出精度を顕著に向上させた。

ABSTRACT

As the treasure house of nature, the ocean contains abundant resources. But the coral reefs, which are crucial to the sustainable development of marine life, are facing a huge crisis because of the existence of COTS and other organisms. The protection of society through manual labor is limited and inefficient. The unpredictable nature of the marine environment also makes manual operations risky. The use of robots for underwater operations has become a trend. However, the underwater image acquisition has defects such as weak light, low resolution, and many interferences, while the existing target detection algorithms are not effective. Based on this, we propose an underwater target detection algorithm based on Attention Improved YOLOv5, called UTD-Yolov5. It can quickly and efficiently detect COTS, which in turn provides a prerequisite for complex underwater operations. We adjusted the original network architecture of YOLOv5 in multiple stages, including: replacing the original Backbone with a two-stage cascaded CSP (CSP2); introducing the visual channel attention mechanism module SE; designing random anchor box similarity calculation method etc. These operations enable UTD-Yolov5 to detect more flexibly and capture features more accurately. In order to make the network more efficient, we also propose optimization methods such as WBF and iterative refinement mechanism. This paper conducts a lot of experiments based on the CSIRO dataset [1]. The results show that the average accuracy of our UTD-Yolov5 reaches 78.54%, which is a great improvement compared to the baseline.

研究の動機と目的

• 低照度・低解像度・高ノイズな水中画像品質の悪さが、効果的なターゲット検出を妨げるという課題に対処する。
• 従来の手法が失敗する複雑な水中環境において、既存のYOLOv5ベースの検出モデルの性能を向上させること。
• Crown-of-Thorns Starfish（COTS）を含む重要な海洋生物種のリアルタイムで正確な検出システムを構築し、生態的保護を支援すること。
• 構造的変更と注目メカニズムを通じて、ネットワーク効率と特徴抽出を最適化し、検出のロバスト性を向上させること。

提案手法

• 低照度水中環境下での特徴抽出と表現を向上させるために、元のYOLOv5バックボーンを二段階の段階的CSP（CSP2）アーキテクチャに置き換える。
• 特徴マップの再キャリブレーションを可能にし、重要でないチャンネルを抑制することで、重要なチャンネルに注目を向けるために、圧縮・拡張（SE）チャネル注目メカニズムを統合する。
• 複雑な水中シーンにおける誤検出を低減し、アンカーアサインメントを改善するために、ランダムなアンカーボックス類似度計算手法を提案する。
• マルチスケール統合を通じて検出の信頼性とボクシングボックスの正確性を向上させるために、重み付きアンサンブルと反復的精錬（WBF）を適用する。
• リアルタイムでの展開を可能にするために、推論速度と効率を最適化しながら高い精度を維持する。
• COTSやその他の海洋オブジェクトを含む多様な水中ターゲットインスタンスを含むCSIRO水中データセットを用いて、モデルを微調整する。

実験結果

リサーチクエスチョン

• RQ1 YOLOv5は、可視度が低く解像度が低い条件下で、どのようにして水中ターゲットを効果的に検出できるように適応できるか？
• RQ2 チャネル注目メカニズムを統合することで、水中画像検出タスクにおける特徴表現がどの程度向上するか？
• RQ3 ランダム類似度計算に基づく修正されたアンカーアサインメント戦略は、複雑な水中シーンにおける検出精度を向上させ、誤検出を低減できるか？
• RQ4 CSP2やWBFのようなアーキテクチャ的変更は、リアルタイム性能と検出のロバスト性にどのように寄与するか？
• RQ5 提案されたUTD-Yolov5モデルを用いることで、水中データセットにおいてベースラインYOLOv5と比較して平均平均精度（mAP）がどの程度向上するか？

主な発見

• UTD-Yolov5は、CSIRO水中データセットで78.54%の平均平均精度（mAP）を達成し、ベースラインYOLOv5を顕著に上回った。
• SE注目モジュールの統合により、特徴表現が強化され、ノイズの多い水中環境下でも検出精度が向上した。
• 提案された二段階の段階的CSP（CSP2）バックボーンは、元のYOLOv5バックボーンと比較して、特徴学習と検出のロバスト性を向上させた。
• 提案されたランダムアンカーボックス類似度計算手法により、複雑な水中シーンにおける誤検出が低減され、局在化の正確性が向上した。
• WBFと反復的精錬メカニズムにより、検出の信頼性とボクシングボックスの正確性が向上し、全体的な性能向上に寄与した。
• 本モデルはリアルタイムの推論速度を維持しており、生態的モニタリングや干渉のための水中ロボットプラットフォームへの展開に適している。