[논문 리뷰] Knowledge-based Recurrent Attentive Neural Network for Traffic Sign Detection.

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

Advanced Neural Network Applications참고 문헌 28인용 수 7

한 줄 요약

이 논문은 인간 뇌의 주의 메커니즘과 영역 전문 지식 기반의 공간 사전 지식을 영감으로 삼아, 교통 표지 검출을 위한 지식 기반 순환 주의 신경망을 제안한다. 역 가우시안 분포 사전 지식을 사용해 교통 표지의 위치를 모델링하고 순환 주의를 통합함으로써, 작은 물체에 대한 정밀한 검출 정확도를 향상시켰으며, 실험 결과 몇 가지 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

Accurate Traffic Sign Detection (TSD) can help drivers make better decision according to the traffic regulations. TSD, regarded as a typical small object detection problem in some way, is fundamental in the field of self-driving and advanced driver assistance systems. However, small object detection is still an open question. In this paper, we proposed a human brain inspired network to handle this problem. Attention mechanism is an essential function of our brain, we used a novel recurrent attentive neural network to improve the detection accuracy in a fine-grained manner. Further, as we human can combine domain specific knowledge and intuitive knowledge to solve tricky tasks, we proposed an assumption that the location of the traffic signs obeys the reverse gaussian distribution, which means the location is around the central bias of every picture. Experimental result shows that our methods achieved better performance than several popular methods used in object detection.

연구 동기 및 목표

• 자율 주행 및 고급 운전자 보조 시스템에서 핵심적인 임무인 정확한 교통 표지 검출 문제를 해결하기 위해.
• 인간 인지에서 영감을 받은 주의 메커니즘을 활용하여, 특히 작은 교통 표지에 대한 검출 성능을 향상시키기 위해.
• 이미지의 중심에 집중된 역 가우시안 공간 분포를 가정하여, 일반적인 교통 표지의 위치에 대한 영역 전문 지식을 통합하기 위해.
• 다중 반복 주의 업데이트를 통해 특징 표현을 점진적으로 개선하는 순환 주의 네트워크를 개발하기 위해.

제안 방법

• 인간 주의를 모방하여 관련 이미지 영역에 반복적으로 집중하는 새로운 순환 주의 신경망 아키텍처를 제안한다.
• 교통 표지가 이미지 중심 부근에 더 자주 나타날 것이라는 가정 하에, 역 가우시안 공간 사전 지식을 도입하여 특징 학습을 안내한다.
• 다중 주의 반복을 통해 특징 맵을 점진적으로 개선하는 순환 구조를 사용하여 표현 품질을 향상시킨다.
• 주의 메커니즘과 지식 기반 사전 지식을 결합하여, 세밀한 작은 물체 검출 상황에서의 검출 정확도를 향상시킨다.
• 주기적인 주의 가중치 업데이트를 통해 관련 교통 표지 특징을 강조하는 특징 개선 프로세스를 구현한다.

실험 결과

연구 질문

• RQ1 표준 객체 검출 모델에 비해 순환 주의 신경망이 작은 교통 표지의 검출 정확도를 향상시킬 수 있는가?
• RQ2 역 가우시안 공간 사전 지식의 통합이 교통 표지 검출의 주의를 안내하는 데 얼마나 효과적인가?
• RQ3 인지 기반 주의와 영역 전문 지식을 결합하면 작은 물체 검출 작업에서 더 나은 성능을 낼 수 있는가?
• RQ4 제안된 방법이 기존 최신 기술에 비해 교통 표지 검출에서 얼마나 뛰어난 성능을 보이는가?

주요 결과

• 제안된 방법은 기준 데이터셋에서 몇 가지 유명한 객체 검출 방법보다 뛰어난 검출 정확도를 달성하였다.
• 역 가우시안 공간 사전 지식의 통합이 작은 교통 표지의 국소화 정밀도를 크게 향상시켰다.
• 순환 주의 메커니즘이 더 나은 특징 개선을 가능하게 하여, 복잡한 환경에서도 검출 성능 향상을 이끌었다.
• 반복적인 주의 업데이트를 통해 높은 관련성 영역에 집중함으로써, 작은 교통 표지 검출에 대한 모델의 강인성을 입증하였다.