[논문 리뷰] CPPE-5: Medical Personal Protective Equipment Dataset

Rishit Dagli, Ali Mustufa Shaikh|arXiv (Cornell University)|2021. 12. 15.

Advanced Neural Network Applications인용 수 4

한 줄 요약

이 논문은 마스크, 장갑, 안경, 안면 보호대, 커버스uit와 같은 의료용 개인 방호 장비(PPE)의 하위 분류에 중점을 둔 새로운 객체 검출 데이터셋인 CPPE-5를 소개한다. 실제 장면에서 촬영한 비도안적이고 복잡한 시각을 가진 이미지로 구성되어 있으며, 5,000장 이상의 이미지와 조밀한 다중 인스턴스 바운딩 박스 레이블이 포함되어 있다. 주요 기여는 실제 복잡한 환경에서 PPE를 검출하기 위한 벤치마크를 설정한 것으로, 최신 기술 모델이 이 데이터셋에서 상자 AP 52.9%를 기록하였다.

ABSTRACT

We present a new challenging dataset, CPPE - 5 (Medical Personal Protective Equipment), with the goal to allow the study of subordinate categorization of medical personal protective equipments, which is not possible with other popular data sets that focus on broad-level categories (such as PASCAL VOC, ImageNet, Microsoft COCO, OpenImages, etc). To make it easy for models trained on this dataset to be used in practical scenarios in complex scenes, our dataset mainly contains images that show complex scenes with several objects in each scene in their natural context. The image collection for this dataset focuses on: obtaining as many non-iconic images as possible and making sure all the images are real-life images, unlike other existing datasets in this area. Our dataset includes 5 object categories (coveralls, face shields, gloves, masks, and goggles), and each image is annotated with a set of bounding boxes and positive labels. We present a detailed analysis of the dataset in comparison to other popular broad category datasets as well as datasets focusing on personal protective equipments, we also find that at present there exist no such publicly available datasets. Finally, we also analyze performance and compare model complexities on baseline and state-of-the-art models for bounding box results. Our code, data, and trained models are available at https://git.io/cppe5-dataset.

연구 동기 및 목표

• 의료용 PPE의 하위 분류에 중점을 둔 공개된 데이터셋이 부족한 문제를 해결하기 위해.
• 이중으로 겹치는 PPE 항목이 포함된 실제 복잡한 장면에서의 객체 검출을 위한 현실적인 벤치마크를 제공하기 위해.
• 팬데믹 대응과 같은 중요한 실세계 응용 분야를 위한 강력한 컴퓨터 비전 모델 개발을 지원하기 위해.
• 비표준적이고 도전적인 시점과 가림 상태에서 PPE 검출에 대한 연구를 촉진하기 위해.

제안 방법

• 다양성과 현실성을 극대화하기 위해 주로 Flickr와 일부 Google Images에서 이미지를 수집하였다.
• 품질 관리를 위해 다수의 리뷰어가 참여한 커뮤니티 기반 방식으로, 기울기 있는 바운딩 박스와 클래스 레이블을 사용해 각 이미지를 레이블링 하였다.
• 이 데이터셋에는 커버스uit, 안면 보호대, 장갑, 마스크, 안경의 다섯 가지 PPE 카테고리가 포함되어 있으며, 이미지당 다중 객체 레이블링이 이루어졌다.
• 기본 모델로 YOLOv3를 사용하였으며, 분류에 대한 포지티브 손실과 국소화에 대한 스무스 L1 손실을 적용한 코즈인 감소 스케줄을 사용하였다.
• 표준 COCO 스타일 메트릭을 사용해 Deformable DETR, FCOS, Double Heads와 같은 최신 기술 모델을 미세조정하고 평가하였다.
• 학습 과정에서 2,000회 반복 동안 웜업 단계를 거치며, 초기 기반 학습률을 4/300으로 설정하고, 가중치 감소를 0.04로 설정하였다.

실험 결과

연구 질문

• RQ1 기존의 객체 검출 모델들이 다중 겹침 항목이 존재하는 실제 복잡한 장면에서 의료용 PPE 검출에 일반화 가능한가?
• RQ2 표준 기준 벤치마크와 비교해 비도안적이고 실제 생활의 PPE 이미지를 강조하는 데이터셋에서 최신 기술 모델의 성능은 어떻게 변화하는가?
• RQ3 다양한 비표준적 시점과 가림 상태를 포함함으로써 의료용 PPE 검출 정확도에 어떤 영향을 미치는가?
• RQ4 일반적인 데이터셋에서 학습된 모델과 CPPE-5에서 미세조정된 모델 간에 의료용 PPE 검출 성능 격차가 뚜렷한가?

주요 결과

• CPPE-5 데이터셋은 의료용 PPE의 하위 분류에 중점을 둔 공개된 벤치마크로, 기존 데이터셋의 핵심적 격차를 메우는 첫 번째 데이터셋이다.
• 이 데이터셋은 5,000장 이상의 실제 장면 이미지로 구성되어 있으며, 평균적으로 이미지당 하나 이상의 PPE 객체를 포함하여 복잡하고 혼잡한 장면을 강조한다.
• 가장 높은 성능을 보인 모델인 TridentNet은 상자 AP 52.9%를 기록하여 기준 모델을 크게 능가하며, 데이터셋의 도전성임을 입증하였다.
• Empirical Attention 및 Double Heads와 같은 모델들은 CPPE-5에서 높은 성능(AP > 50%)을 기록하여 비도안적 시점으로의 일반화 능력이 뛰어나다는 것을 시사한다.
• 비도안적 이미지와 자연스러운 맥락에 중점을 두어, 기존의 COCO나 VOC와 같은 표준 데이터셋보다 실제 운영 환경에서 더 잘 반영된 데이터셋임을 입증한다.
• 복잡한 장면, 다양한 시점, 가림 상태로 인해 CPPE-5는 OpenImages 및 COCO보다 더 도전적인 데이터셋임을 결과가 입증하였다.