[논문 리뷰] A Survey of Modern Object Detection Literature using Deep Learning

Karanbir Chahal, Kuntal Dey|arXiv (Cornell University)|2018. 08. 22.

Advanced Neural Network Applications참고 문헌 20인용 수 28

한 줄 요약

이 종합적 서베이는 2018년 기준 현대적인 딥러닝 기반 객체 검출 방법에 대한 철저한 분석을 제공한다. 주로 이단계(Faster R-CNN) 및 일단계(SSD) 검출기와 모바일 배포를 위한 경량 아키텍처를 중심으로 하며, RetinaNet이 최신 기술 수준의 모델로 확인되며, 1사이클 정책과 LARS와 같은 훈련 기법이 수렴성과 효율성을 향상시키는 것으로 평가된다.

ABSTRACT

Object detection is the identification of an object in the image along with its localisation and classification. It has wide spread applications and is a critical component for vision based software systems. This paper seeks to perform a rigorous survey of modern object detection algorithms that use deep learning. As part of the survey, the topics explored include various algorithms, quality metrics, speed/size trade offs and training methodologies. This paper focuses on the two types of object detection algorithms- the SSD class of single step detectors and the Faster R-CNN class of two step detectors. Techniques to construct detectors that are portable and fast on low powered devices are also addressed by exploring new lightweight convolutional base architectures. Ultimately, a rigorous review of the strengths and weaknesses of each detector leads us to the present state of the art.

연구 동기 및 목표

• 2018년 기준 딥러닝 기반 객체 검출 알고리즘에 대한 철저하고 최신의 서베이 제공.
• 현대 검출기에서 정확도, 속도, 모델 크기 간의 상호 상충 관계 분석.
• 저전력 장치에 적합한 이식 가능하고 빠른 객체 검출기 제작 기법 평가.
• 수렴성과 모델 성능 향상을 높이는 고급 훈련 방법론 탐구.
• 적대적 예측에 대한 강건성과 약한 지도 학습과 같은 열린 과제 식별.

제안 방법

• 이단계(Faster R-CNN) 및 일단계(SSD) 네트워크의 두 주요 객체 검출기 유형 서베이.
• 표준 메트릭(예: 평균 평균 정밀도(mAP) 및 추론 속도)을 사용한 성능 평가.
• 모바일 배포를 위한 경량 컨볼루션 백본 아키텍처(예: MobileNet, ShuffleNet) 분석.
• 1사이클 정책, 학습률 찾기, 레이어별 적응형 학습률 스케일링(LARS)과 같은 현대적 훈련 기법 리뷰.
• 더 빠른 훈련을 위한 스위칭 무게 평균화(SWA) 및 슈퍼 컨버전스 기법의 사용 평가.
• 선형 배치 크기 스케일링과 적응형 학습률을 활용한 분산 훈련 전략 탐색.

실험 결과

연구 질문

• RQ1 이단계 및 일단계 객체 검출기 간의 핵심 아키텍처 및 훈련 차이점은 무엇인가?
• RQ2 현대적인 경량 네트워크가 모바일 및 엣지 디바이스에서 효율적인 객체 검출을 어떻게 가능하게 하는가?
• RQ3 어떤 훈련 기법이 객체 검출에서 수렴 속도와 모델 정확도를 크게 향상시키는가?
• RQ4 mAP 및 추론 속도 측면에서 객체 검출기가 인간 수준의 성능에 얼마나 도달했는가?
• RQ5 적대적 예측에 대한 강건성과 약한 지도 학습 분야에서 여전히 남아 있는 과제는 무엇인가?

주요 결과

• 현대적 객체 검출기의 평균 평균 정밀도(mAP)는 이전 모델의 29에서 43으로 상승하여 거의 인간 수준의 성능에 도달했다.
• 추론 시간이 크게 향상되어 초기 딥러닝 기반 검출기의 1장당 47초에서 30ms 이하로 개선되어 실시간 검출이 가능해졌다.
• 출판 시점에 가장 뛰어난 성능을 보인 모델로 RetinaNet이 확인되었으며, 일단계 검출기 중 최고의 정확도를 기록했다.
• 1사이클 정책과 LARS 훈련 기법은 특히 분산 환경에서 훈련 효율성과 수렴 속도를 크게 향상시켰다.
• LARS와 선형 배치 크기 스케일링을 활용한 분산 훈련은 ImageNet 훈련 시간을 최소 4분으로 단축시켰다.
• 정량화와 신경망 아키텍처 탐색(NAS)은 모델 크기와 추론 시간을 줄이는 데 유망한 것으로 나타났지만, NAS는 여전히 계산 비용이 높다.