[論文レビュー] YOLO v3: Visual and Real-Time Object Detection Model for Smart Surveillance Systems(3s)

Kanyifeechukwu Jane Oguine, Ozioma Collins Oguine+1 more|arXiv (Cornell University)|Sep 26, 2022

Advanced Neural Network Applications被引用数 4

ひとこと要約

本論文は、MS COCOデータセットを用いた転移学習を活用し、YOLO v3ベースのリアルタイム物体検出モデルを提案する。スマート監視システム（3s）向けに開発され、99.71%の精度とmAP 61.5を達成した。モデルはYOLO v3のマルチスケール特徴抽出機能とDarknet-53バックボーンを活用し、訓練時間と計算コストを低減しつつ、実世界の監視映像においても効率的で高精度な検出を実現した。

ABSTRACT

Can we see it all? Do we know it All? These are questions thrown to human beings in our contemporary society to evaluate our tendency to solve problems. Recent studies have explored several models in object detection; however, most have failed to meet the demand for objectiveness and predictive accuracy, especially in developing and under-developed countries. Consequently, several global security threats have necessitated the development of efficient approaches to tackle these issues. This paper proposes an object detection model for cyber-physical systems known as Smart Surveillance Systems (3s). This research proposes a 2-phase approach, highlighting the advantages of YOLO v3 deep learning architecture in real-time and visual object detection. A transfer learning approach was implemented for this research to reduce training time and computing resources. The dataset utilized for training the model is the MS COCO dataset which contains 328,000 annotated image instances. Deep learning techniques such as Pre-processing, Data pipelining, and detection was implemented to improve efficiency. Compared to other novel research models, the proposed model's results performed exceedingly well in detecting WILD objects in surveillance footages. An accuracy of 99.71% was recorded, with an improved mAP of 61.5.

研究の動機と目的

• 発展途上国や未開発国における人的監視の非効率性を解消するため、インテリジェントでリアルタイムの物体検出システムを提案すること。
• 特にYOLO v3を活用した深層学習を用いて、スマート監視システムにおける物体検出の精度と速度を向上させること。
• MS COCOデータセットへの転移学習を活用することで、訓練時間と計算リソースの要求を低減すること。
• サイバー物理システムフレームワークを用いて、多様で現実世界（WILD）の物体を監視映像で安定して検出できること。
• 動画ストリームにおける武器、窃盗、火災発生などの脅威を自動的かつ正確に、高速に検出することで、セキュリティを強化すること。

提案手法

• 特徴ピラミッドネットワーク（FPN）を用いたリアルタイムでワンショットの物体検出を実現するため、YOLO v3アーキテクチャにDarknet-53バックボーンを採用した。
• ImageNetで事前学習された重みを活用し、MS COCOデータセットにおける収束を加速させるとともに、訓練時間を短縮した。
• 推論速度とモデル効率を最適化するため、データ前処理、データパイプライン処理、バッチ処理を実装した。
• 3つのスケールでの特徴マップを用いたマルチスケール予測により、監視映像内のさまざまなサイズの物体を検出可能とした。
• 冗長性を低減するため、非最大抑制（NMS）とIoU（オーバーラップ率）しきい値処理を適用した。
• 実世界の環境を模倣するため、野生環境から収集した実際の監視映像を用いてモデルを訓練および評価した。

Figure 1: YOLO v3 vs. RetinaNet: Speed/Accuracy Chart [ 6 ]

実験結果

リサーチクエスチョン

• RQ1 リソース制約のある環境において、YOLO v3ベースのモデルがスマート監視システム向けに高い精度とリアルタイム性能を達成できるか？
• RQ2 MS COCOデータセットに適用した場合、転移学習が監視応用における訓練効率と検出精度にどのように影響を与えるか？
• RQ3 YOLO v3は、監視映像における多様で現実世界の物体を検出する観点で、Faster R-CNN や SSD などの既存モデルをどの程度上回るか？
• RQ4 本研究で提案するモデルのmAPおよび精度は、現実世界の野生環境下の監視動画でどの程度の性能を示すか？
• RQ5 YOLO v3をサイバー物理システムフレームワークと統合することで、低遅延かつ高精度なスケーラブルな知能監視を実現できるか？

主な発見

• 提案されたYOLO v3モデルは、実際の監視映像で99.71%の検出精度を達成し、既存モデルを著しく上回った。
• 平均平均精度（mAP）は61.5を記録し、多様な物体カテゴリにわたる強力な一般化能力と検出能力を示した。
• 比較評価において、同じテスト環境下でFaster R-CNN（95.4%）やカスタムYOLO v3（98.89%）を上回った。
• 転移学習の活用により、訓練時間と計算リソースの要件が低減された一方で、高い検出性能を維持した。
• 多数のテスト動画において、モデルは優れた性能を示し、ほとんどのケースで精度と再現率が0.92を超えた。
• 図12の可視化アノテーションにより、複雑なリアルタイム監視フレームにおける物体の正確な局所化と分類が確認された。

Figure 2: Description of Darknet-53 Framework.