[논문 리뷰] A Novel Improved Mask RCNN for Multiple Targets Detection in the Indoor Complex Scenes

Zongmin Liu, Jirui Wang외 3명|arXiv (Cornell University)|2023. 01. 07.

Advanced Neural Network Applications인용 수 4

한 줄 요약

이 논문은 복잡한 실내 환경에서 다중 객체 검출 성능을 향상시키기 위해 컨volution 블록 주의 모듈(CBAM)을 통합한 향상된 마스크 R-CNN 모델을 제안한다. 채널 및 공간 주의 메커니즘을 통합함으로써 기준 방법 대비 더 높은 정확도와 더 강한 간섭 저항 성능을 달성하였으며, 검출 속도는 실시간 수준을 유지한다.

ABSTRACT

With the expansive aging of global population, service robot with living assistance applied in indoor scenes will serve as a crucial role in the field of elderly care and health in the future. Service robots need to detect multiple targets when completing auxiliary tasks. However, indoor scenes are usually complex and there are many types of interference factors, leading to great challenges in the multiple targets detection. To overcome this technical difficulty, a novel improved Mask RCNN method for multiple targets detection in the indoor complex scenes is proposed in this paper. The improved model utilizes Mask RCNN as the network framework. On this basis, Convolutional Block Attention Module (CBAM) with channel mechanism and space mechanism is integrated, and the influence of different background, distance, angle and interference factors are comprehensively considered. Meanwhile, in order to evaluate the detection and identification effects of the established model, a comprehensive evaluation system based on loss function and Mean Average Precision (mAP) is established. For verification, experiments on the detection and identification effects under different distances, backgrounds, angles and interference factors were conducted. The results show that designed model improves the accuracy to a higher level and has a better anti-interference ability than other methods when the detection speed was nearly the same.

연구 동기 및 목표

• 복잡한 간섭이 존재하는 실내 환경에서 정확한 다중 타겟 검출 문제를 해결하기 위해.
• 실내 환경에서 흔히 발생하는 거리, 시점 각도, 배경 조건의 변화에 대비한 검출 강인성 향상을 위해.
• 마스크 R-CNN 아키텍처에 주의 메커니즘을 통합하여 딥 네트워크 내 특징 표현을 향상시키기 위해.
• 모델 검증을 위한 종합적인 평가 체계를 구축하기 위해 mAP 및 손실 함수를 활용한다.
• 통제된 실험을 통해 실생활 실내 환경에서의 모델 우수성을 검증하기 위해.

제안 방법

• 제안된 방법은 채널 및 공간 주의를 동시에 모델링하는 컨volution 블록 주의 모듈(CBAM)을 표준 마스크 R-CNN 아키텍처에 통합함으로써 확장된다.
• CBAM은 채널 기반 및 공간 기반 중요도에 따라 특징 맵을 재조정함으로써, 복잡한 조건에서도 특징 학습을 향상시킨다.
• 모델은 분류, 바운딩 박스 회귀, 마스크 손실을 조합한 다중 객체 검출 손실 함수를 사용하여 엔드 투 엔드 최적화를 위해 훈련된다.
• 다양한 시나리오에서 성능을 평가하기 위해 평균 평균 정밀도(mAP) 및 손실 함수를 활용한 종합적인 평가 체계를 수립한다.
• 거리, 배경 복잡도, 시점 각도, 환경 간섭 등의 변화를 통제하여 강인성 테스트를 수행한다.
• 모델은 정의된 실내 데이터셋 또는 커스터마이즈된 실내 데이터셋을 기반으로 훈련 및 평가되며, 요약문에서 정확한 데이터셋은 기재되어 있지 않다.

실험 결과

연구 질문

• RQ1 마스크 R-CNN에 CBAM를 통합함으로써 복잡한 실내 환경에서의 검출 정확도에 어떤 영향을 미치는가?
• RQ2 개선된 모델이 다양한 거리 및 각도 조건에서도 성능을 얼마나 잘 유지하는가?
• RQ3 배경 혼잡도 및 시각적 간섭에 대비해 기준 방법 대비 모델의 강인성은 어떠한가?
• RQ4 제안된 아키텍처에서 검출 정확도와 추론 속도 사이의 상충 관계는 어떠한가?
• RQ5 제안된 평가 체계는 다양한 실내 조건에서의 성능 차이를 효과적으로 측정할 수 있는가?

주요 결과

• 제안된 모델은 복잡한 실내 환경에서 표준 마스크 R-CNN 및 기타 기준 방법 대비 더 높은 검출 정확도를 달성한다.
• CBAM 통합으로 인해 배경 혼잡도 및 가림 현상에 의한 간섭에 대한 모델의 대처 능력이 크게 향상된다.
• 모델은 뛰어난 mAP 점수를 확보하면서도 근접 실시간 추론 속도를 유지한다.
• 다양한 거리 및 시점 각도에서도 일관된 성능 향상을 보이며, 일반화 능력이 뛰어나다는 것을 시사한다.
• 종합적인 평가 체계는 특히 높은 시각 노이즈가 존재하는 어려운 시나리오에서의 성능 향상을 효과적으로 정량화한다.
• 결과는 주의 메커니즘이 특징 표현을 향상시켜 다중 타겟의 검출 및 세그멘테이션 성능을 향상시킨다는 것을 확인한다.