[논문 리뷰] Fast and Accurate, Convolutional Neural Network Based Approach for Object Detection from UAV

Xiaoliang Wang, Peng Cheng외 2명|arXiv (Cornell University)|2018. 08. 16.

Advanced Neural Network Applications참고 문헌 54인용 수 5

한 줄 요약

이 논문은 희소한 배경과 풍부한 객체 간의 클래스 불균형 문제를 해결하기 위해 포칼 손실을 통합한 RetinaNet 기반의 단일 단계 컨볼루션 신경망을 사용하여 드론 영상에서 빠르고 정확한 객체 검출 방법을 제안한다. 이는 스탠포드 드론 데이터셋(SDD)에서 최신 기술 수준(SOTA) 성능을 달성한다. 제안된 방법은 고정밀도와 높은 추론 속도를 통해 항공 영상에서 객체를 효율적으로 검출하며, 드론 영상에서의 클래스 불균형 문제 해결에 포칼 손실이 효과적임을 입증한다.

ABSTRACT

Unmanned Aerial Vehicles (UAVs), have intrigued different people from all walks of life, because of their pervasive computing capabilities. UAV equipped with vision techniques, could be leveraged to establish navigation autonomous control for UAV itself. Also, object detection from UAV could be used to broaden the utilization of drone to provide ubiquitous surveillance and monitoring services towards military operation, urban administration and agriculture management. As the data-driven technologies evolved, machine learning algorithm, especially the deep learning approach has been intensively utilized to solve different traditional computer vision research problems. Modern Convolutional Neural Networks based object detectors could be divided into two major categories: one-stage object detector and two-stage object detector. In this study, we utilize some representative CNN based object detectors to execute the computer vision task over Stanford Drone Dataset (SDD). State-of-the-art performance has been achieved in utilizing focal loss dense detector RetinaNet based approach for object detection from UAV in a fast and accurate manner.

연구 동기 및 목표

• 드론 영상에 특화된 빠르고 정확한 딥러닝 기반 객체 검출 시스템을 개발하기 위해.
• 항공 영상에서 흔한 극심한 전경-배경 클래스 불균형 문제를 포칼 손실을 통해 해결하기 위해.
• 특히 스탠포드 드론 데이터셋(SDD)을 포함한 드론 데이터셋에서 최신 기술 기반의 CNN 기반 검출기의 성능을 평가하고 비교하기 위해.
• 단일 단계 검출기인 RetinaNet이 실시간 드론 감시 및 모니터링 응용 분야에 구현 가능한지를 입증하기 위해.

제안 방법

• 드론 영상에서 엔드 투 엔드 객체 검출을 위해 단일 단계 객체 검출기인 RetinaNet을 백본 모델로 채택한다.
• 항공 영상에서 흔한 극심한 전경-배경 클래스 불균형 문제를 완화하기 위해 포칼 손실을 통합한다.
• 다양한 도시 환경에서의 보행자 및 차량 객체를 포함하는 스탠포드 드론 데이터셋(SDD)을 사용해 모델을 훈련시킨다.
• 다중 척도 객체 검출 성능 향상을 위해 특징 피라미드 네트워크(FPN)를 활용한다.
• 제한된 드론 데이터에서의 일반화 능력을 향상시키기 위해 전이 학습 및 데이터 증강 기법을 적용한다.
• 모델 아키텍처의 효율성과 경량 헤드 설계를 통해 추론 속도를 최적화한다.

실험 결과

연구 질문

• RQ1 RetinaNet과 같은 단일 단계 CNN 검출기가 드론 영상에서 최신 기술 수준의 정확도와 속도를 달성할 수 있는가?
• RQ2 극심한 클래스 불균형이 존재하는 드론 데이터셋에서 포칼 손실이 검출 성능 향상에 얼마나 효과적인가?
• RQ3 스탠포드 드론 데이터셋에서 RetinaNet의 성능은 다른 단일 단계 및 이중 단계 검출기들과 비교해 어떻게 되는가?
• RQ4 모델의 효율성은 드론 기반 감시 시스템에서 실시간 구현을 얼마나 지원하는가?

주요 결과

• 스탠포드 드론 데이터셋(SDD)에서 포칼 손실을 통합한 RetinaNet은 드론 객체 검출 분야에서 최신 기술 수준의 성능을 달성한다.
• 모델는 실시간 응용에 적합한 높은 추론 속도를 보이며, 드론 플랫폼에서의 활용 가능성을 입증한다.
• 포칼 손실은 특히 작은 객체에 대해 어려운 예제에 집중함으로써 검출 정확도를 크게 향상시킨다.
• 이 항공 기준 벤치마크에서 단일 단계 검출기가 두 단계 검출기들과 비교해 속도 및 정확도 면에서 뛰어나거나 동등한 성능을 보인다.
• 다양한 객체 크기와 가림 현상이 존재하는 도시 환경에 대해 잘 일반화된다.