[논문 리뷰] Object Recognition in Different Lighting Conditions at Various Angles by Deep Learning Method

Imran Khan Mirani, Tianhua Chen외 3명|arXiv (Cornell University)|2022. 10. 18.

Advanced Neural Network Applications인용 수 7

한 줄 요약

이 논문은 다양한 조명 조건과 시야 각도에서의 강건성을 향상시키기 위해 컨볼루션 신경망(CNNs)을 활용한 딥러닝 기반의 객체 인식 시스템을 제안한다. 종단간 학습, 가중치 공유, 희소 연결을 활용함으로써, 객체 비율이 작고 학습 샘플이 제한적인 경우에도 높은 정확도를 달성하며, 실생활 응용에서 조도 및 각도 변화에 대한 강건성을 입증한다.

ABSTRACT

Existing computer vision and object detection methods strongly rely on neural networks and deep learning. This active research area is used for applications such as autonomous driving, aerial photography, protection, and monitoring. Futuristic object detection methods rely on rectangular, boundary boxes drawn over an object to accurately locate its location. The modern object recognition algorithms, however, are vulnerable to multiple factors, such as illumination, occlusion, viewing angle, or camera rotation as well as cost. Therefore, deep learning-based object recognition will significantly increase the recognition speed and compatible external interference. In this study, we use convolutional neural networks (CNN) to recognize items, the neural networks have the advantages of end-to-end, sparse relation, and sharing weights. This article aims to classify the name of the various object based on the position of an object's detected box. Instead, under different distances, we can get recognition results with different confidence. Through this study, we find that this model's accuracy through recognition is mainly influenced by the proportion of objects and the number of samples. When we have a small proportion of an object on camera, then we get higher recognition accuracy; if we have a much small number of samples, we can get greater accuracy in recognition. The epidemic has a great impact on the world economy where designing a cheaper object recognition system is the need of time.

연구 동기 및 목표

• 다양한 조도 조건과 시야 각도 변화에 강건한 딥러닝 기반의 객체 인식 시스템을 개발하기 위해.
• 조도, 가림, 카메라 회전으로 인해 어려움을 겪는 기존 객체 검출 방법의 한계를 해결하기 위해.
• 자율주행 및 감시와 같은 실생활 응용 분야에서 외부 간섭에 대한 속도 및 호환성을 향상시키기 위해.
• 어려운 시각 조건에서 객체 비율과 샘플 크기가 인식 정확도에 미치는 영향을 조사하기 위해.

제안 방법

• 종단간 특징 학습 및 객체 분류를 위해 연구는 컨볼루션 신경망(CNNs)을 활용한다.
• CNNs는 가중치 공유, 희소 연결, 계층적 특징 추출 등의 내재적 이점 덕분에 활용된다.
• 모델은 검출된 바운딩 박스를 기반으로 객체를 분류하며, 신뢰도 점수는 객체의 거리와 크기에 따라 변동된다.
• 강건성을 평가하기 위해, 작은 객체 비율과 제한된 샘플 크기로 최적화된 학습 데이터를 사용한다.
• 일반화 능력을 평가하기 위해 다양한 조도 조건과 각도 시점에서 시스템을 평가한다.
• 인식 성능은 다양한 객체 비율과 샘플 수에서의 신뢰도 점수 및 분류 정확도를 측정함으로써 측정된다.

실험 결과

연구 질문

• RQ1 다양한 조도 및 각도 조건에서 객체 비율은 인식 정확도에 어떻게 영향을 미치는가?
• RQ2 제한된 학습 샘플은 어려운 시각 조건에서 모델 성능에 어떤 영향을 미치는가?
• RQ3 객체가 작거나 극단적인 시야 각도에서 볼 경우, CNN 기반 시스템이 높은 인식 정확도를 유지할 수 있는가?
• RQ4 조도 변화는 제안된 모델의 인식 신뢰도와 정확도에 어떻게 영향을 미치는가?
• RQ5 CNNs의 가중치 공유와 희소 연결은 실생활 객체 인식 작업에서 강건성을 얼마나 향상시키는가?

주요 결과

• 객체가 이미지에서 비율이 작을 경우 모델이 더 높은 인식 정확도를 달성함으로써, 소규모 특징에 대한 민감도 향상을 시사한다.
• 학습 샘플 수가 적을수록 인식 정확도가 증가함으로써, 데이터 부족 상황에서도 강력한 일반화 능력을 보여준다.
• CNNs의 계층적 특징 학습 능력 덕분에, 조도 변화 및 각도 변화에 대한 강건성이 입증된다.
• 인식에서의 신뢰도 점수는 객체의 거리와 크기에 따라 크게 변동되며, 이는 모델이 공간적 맥락에 민감함을 반영한다.
• 종단간 학습, 가중치 공유, 희소 연결의 조합이 외부 간섭이 있는 실생활 조건에서 성능 향상에 기여한다.
• 연구는 객체 인식 성능가 객체 비율과 샘플 크기에 더 민감하며, 단지 조도나 각도 변화에만 민감한 것보다 더 민감하다는 것을 확인한다.