[논문 리뷰] Knowledge-based Recurrent Attentive Neural Network for Small Object Detection

Kai Yi, Zhiqiang Jian외 3명|arXiv (Cornell University)|2018. 03. 13.

Advanced Neural Network Applications인용 수 4

한 줄 요약

이 논문은 도메인 지식과 특징 주의를 활용하여 중요한 이미지 특징에 집중함으로써 자율주행에서 소형 객체 탐지 성능을 향상시키는 지식 기반 순환 주의 신경망(KB-RANN)을 제안한다. 동적 특징 선택 및 파rameter 강화를 통해 KITTI 및 COCO 데이터셋에서 탐지 정확도와 속도를 향상시켜 복잡하고 혼잡한 환경에서도 뛰어난 성능을 보인다.

ABSTRACT

At present, the performance of deep neural network in general object detection is comparable to or even surpasses that of human beings. However, due to the limitations of deep learning itself, the small proportion of feature pixels, and the occurence of blur and occlusion, the detection of small objects in complex scenes is still an open question. But we can not deny that real-time and accurate object detection is fundamental to automatic perception and subsequent perception-based decision-making and planning tasks of autonomous driving. Considering the characteristics of small objects in autonomous driving scene, we proposed a novel method named KB-RANN, which based on domain knowledge, intuitive experience and feature attentive selection. It can focus on particular parts of image features, and then it tries to stress the importance of these features and strengthenes the learning parameters of them. Our comparative experiments on KITTI and COCO datasets show that our proposed method can achieve considerable results both in speed and accuracy, and can improve the effect of small object detection through self-selection of important features and continuous enhancement of proposed method, and deployed it in our self-developed autonomous driving car.

연구 동기 및 목표

• 자율주행에서 흔히 발생하는 복잡한 실제 환경에서 소형 객체 탐지의 지속적인 과제를 해결하기 위해.
• 도메인 특화 지식과 직관적인 시각 경험을 딥 러닝 모델에 통합하여 탐지 성능을 향상시키기 위해.
• 주의 메커니즘을 통해 중요 특징을 동적으로 선택하고 강화하는 방법을 개발하기 위해.
• 자율주행 차량에 배포 가능한 실시간 정확한 객체 탐지 성능을 달성하기 위해.
• 소형 객체 탐지에서 블러, 가림, 저해상도 특징에 대한 모델의 강인성을 향상시키기 위해.

제안 방법

• KB-RANN은 도메인 지식과 직관적 경험을 순환 신경망 아키텍처에 통합하여 특징 학습을 이끌어낸다.
• 학습된 중요도에 기반해 특징 맵의 주목할 만한 영역에 집중하는 주의 메커니즘을 적용한다.
• 반복적으로 특징 표현을 정밀하게 다듬고 시간이 지남에 따라 중요한 특징을 강조하기 위해 순환 구조를 사용한다.
• 학습 중 선택된 특징을 우선시하는 파rameter 업데이트를 통해 특징 중요도를 강화한다.
• 핵심 특징의 자가 선택과 반복적 정밀 조정을 통한 지속적인 향상이 가능하다.
• 실시간 추론 및 자율주행 플랫폼에의 배포를 고려해 설계된 아키텍처이다.

실험 결과

연구 질문

• RQ1 어떻게 도메인 지식과 직관적인 시각 경험을 소형 객체 탐지에 효과적으로 딥 러닝 모델에 통합할 수 있는가?
• RQ2 주의 메커니즘이 복잡한 환경에서 소형 객체의 특징 표현에 얼마나 기여할 수 있는가?
• RQ3 순환 주의 메커니즘이 추론 속도를 희생시키지 않고도 탐지 정확도를 향상시킬 수 있는가?
• RQ4 KB-RANN은 소형 객체 탐지에서 표준 벤치마크인 KITTI 및 COCO에서 어떻게 성능을 내는가?
• RQ5 자기 지율적인 방식으로 반복적 정밀 조정을 통해 중요한 특징을 적응적으로 강화할 수 있는가?

주요 결과

• KB-RANN은 KITTI 및 COCO 데이터셋에서 소형 객체 탐지 정확도에 뚜렷한 향상을 이룬다.
• 자율주행 시스템에 배포 가능한 실시간 추론 성능을 우수하게 보여준다.
• 특징 주의와 지식 통합은 소형, 가려진, 흐린 객체에 대한 더 나은 표현 학습을 이끈다.
• 순환 주의 메커니즘은 특징 중요도의 지속적 정밀 조정을 가능하게 하여 모델의 강인성을 향상시킨다.
• 모델의 핵심 특징 자가 선택 기능은 기준 모델 대비 향상된 탐지 성능에 기여한다.
• 이 방법은 자율 개발한 자율주행 차량에 성공적으로 배포되어 실용적 적용 가능성을 입증했다.