[논문 리뷰] Detecting The Objects on The Road Using Modular Lightweight Network

Sen Cao, Yazhou Liu외 2명|arXiv (Cornell University)|2018. 11. 16.

Advanced Neural Network Applications참고 문헌 44인용 수 6

한 줄 요약

이 논문은 실시간으로 먼 차량, 보행자, 자전거와 같은 소형 도로 객체를 감지하기 위한 모듈식 경량 네트워크인 모듈러 피처 퓨전 디텍터(MFFD)를 제안한다. 두 가지 전용 기초 모듈인 프론트 및 타이너를 사용함으로써 높은 정확도를 유지하면서도 효율적인 특징 추출과 계산량 감소를 가능하게 하며, 임베디드 GPU인 저스트림 TX2에서 100 FPS를 달성하여 KITTI 벤치마크에서 뛰어난 성능을 보인다.

ABSTRACT

This paper presents a modular lightweight network model for road objects detection, such as car, pedestrian and cyclist, especially when they are far away from the camera and their sizes are small. Great advances have been made for the deep networks, but small objects detection is still a challenging task. In order to solve this problem, majority of existing methods utilize complicated network or bigger image size, which generally leads to higher computation cost. The proposed network model is referred to as modular feature fusion detector (MFFD), using a fast and efficient network architecture for detecting small objects. The contribution lies in the following aspects: 1) Two base modules have been designed for efficient computation: Front module reduce the information loss from raw input images; Tinier module decrease model size and computation cost, while ensuring the detection accuracy. 2) By stacking the base modules, we design a context features fusion framework for multi-scale object detection. 3) The propose method is efficient in terms of model size and computation cost, which is applicable for resource limited devices, such as embedded systems for advanced driver assistance systems (ADAS). Comparisons with the state-of-the-arts on the challenging KITTI dataset reveal the superiority of the proposed method. Especially, 100 fps can be achieved on the embedded GPUs such as Jetson TX2.

연구 동기 및 목표

• 실시간으로 먼 도로 객체, 예를 들어 보행자와 자전거와 같은 소형 객체를 감지하는 데 도전하는 문제를 해결한다.
• 자원 제약이 있는 환경에서 정확도를 훼손하지 않고 계산 비용과 모델 크기를 줄인다.
• 다양한 해상도에서의 특징 융합을 효율적으로 구현할 수 있는 모듈러 아키텍처를 개발하여 소형 객체 감지 성능을 향상시킨다.
• 고급 운전자 보조 시스템(ADAS)에서 사용되는 임베디드 시스템에 최적화된 네트워크를 개발한다.

제안 방법

• 초기 특징 추출 단계에서 원시 입력 이미지로부터의 정보 손실를 최소화하기 위해 프론트 모듈을 도입한다.
• 정확도를 유지하면서도 모델 크기와 계산 비용을 줄이기 위해 타이너 모듈을 설계한다.
• 기초 모듈을 스택하여 다중 해상도 객체 감지를 위한 컨텍스트 특징 융합 프레임워크를 구축한다.
• 스케일러블한 특징 학습을 가능하게 하기 위해 유연하게 구성 요소를 스택할 수 있는 모듈러 네트워크 아키텍처를 활용한다.
• 다양한 수용 영역을 가진 특징 융합 메커니즘을 활용하여 소형 객체의 표현력을 향상시킨다.
• 추론 효율성을 최적화하여 저전력 임베디드 GPU에서 고속 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 계산 비용을 증가시키지 않고 도로 영상에서의 소형 객체 감지를 어떻게 향상시킬 수 있는가?
• RQ2 모듈러 네트워크 설계가 정확도를 유지하면서도 모델 크기와 추론 시간을 효과적으로 줄일 수 있는가?
• RQ3 제안된 특징 융합 프레임워크는 먼 거리에 있는 소형 객체 감지 성능을 어느 정도 향상시키는가?
• RQ4 MFFD 모델은 저스트림 TX2와 같은 임베디드 하드웨어에서 실시간 추론 성능을 얼마나 잘 보여주는가?
• RQ5 KITTI와 같은 벤치마크 데이터셋에서 모델 효율성과 정확도 사이의 상호 상충 관계는 어떠한가?

주요 결과

• MFFD는 저스트림 TX2와 같은 임베디드 GPU에서 100 FPS를 달성하여 높은 추론 효율성을 입증한다.
• 모델은 도전적인 KITTI 데이터셋에서 소형 객체 감지 분야에서 최신 기술을 초월한다.
• 프론트 및 타이너 모듈은 정보 손실와 계산 비용을 효과적으로 줄이면서도 높은 정확도를 유지한다.
• 모듈러 설계 덕분에 소형 객체 감지 성능 향상을 위한 스케일러블하고 효율적인 다중 해상도 특징 융합이 가능해졌다.
• 카메라에서 멀리 떨어진 소형 객체에 대해서도 강력한 감지 성능을 유지하여 자율주행 인식의 핵심 과제를 해결한다.
• 모델은 ADAS 응용 분야에서 사용되는 자원 제약이 있는 임베디드 시스템에 적합하게 설계되어 있다.