[논문 리뷰] RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection

Ming Kang, Chee‐Ming Ting외 2명|arXiv (Cornell University)|2023. 07. 31.

Brain Tumor Detection and ClassificationNeuroscience참고 문헌 29인용 수 3

한 줄 요약

이 논문은 뇌종양 검출을 위한 새로운 YOLO 기반 객체 검출기인 RCS-YOLO를 제안한다. 이는 재패arameterized Convolution과 Channel Shuffle(RCS) 및 One-Shot Aggregation(RCS-OSA)를 통합하여 특징 추출 능력과 계산 효율성을 향상시킨다. Br35H 데이터셋에서 RCS-YOLO는 114.8 FPS의 추론 속도를 기록하고 YOLOv7보다 1% 높은 정밀도를 확보하여 속도와 정확도에서 새로운 최고 성능을 달성한다.

ABSTRACT

With an excellent balance between speed and accuracy, cutting-edge YOLO frameworks have become one of the most efficient algorithms for object detection. However, the performance of using YOLO networks is scarcely investigated in brain tumor detection. We propose a novel YOLO architecture with Reparameterized Convolution based on channel Shuffle (RCS-YOLO). We present RCS and a One-Shot Aggregation of RCS (RCS-OSA), which link feature cascade and computation efficiency to extract richer information and reduce time consumption. Experimental results on the brain tumor dataset Br35H show that the proposed model surpasses YOLOv6, YOLOv7, and YOLOv8 in speed and accuracy. Notably, compared with YOLOv7, the precision of RCS-YOLO improves by 1%, and the inference speed by 60% at 114.8 images detected per second (FPS). Our proposed RCS-YOLO achieves state-of-the-art performance on the brain tumor detection task. The code is available at https://github.com/mkang315/RCS-YOLO.

연구 동기 및 목표

• 뇌종양 검출 분야에서 고성능 YOLO 기반 모델의 부족을 해결하기 위해.
• 의료 영상의 객체 검출에서 특징 표현과 계산 효율성을 향상시키기 위해.
• 실시간 임상 적용에 적합한 경량이면서도 정확한 검출기 개발을 위해.
• Br35H 뇌종양 검출 벤치마크에서 최고 성능을 달성하기 위해.

제안 방법

• 제안된 RCS-YOLO는 특징 학습을 향상시키고 중복을 줄이기 위해 재패arameterized Convolution과 Channel Shuffle(RCS) 모듈을 통합한다.
• 다중 스케일 특징을 단일 순방향 전파에서 효율적으로 융합하기 위해 One-Shot Aggregation(RCS-OSA) 모듈을 도입한다.
• YOLO의 실시간 추론 능력과 채널별 셔플링 및 재패arameterization을 통한 향상된 특징 캐스케이드의 장점을 결합한 아키텍처를 구현한다.
• 표준 객체 검출 메트릭(예: mAP 및 FPS)을 사용하여 Br35H 데이터셋에서 모델을 훈련 및 평가한다.
• 추론 시 배치 정규화와 컨볼루션 레이어를 병합하기 위해 재패arameterization을 적용하여 정확도 손실 없이 속도를 향상시킨다.

실험 결과

연구 질문

• RQ1 재패arameterized 컨볼루션 기반 YOLO 아키텍처가 뇌종양 검출에서 속도와 정확도를 동시에 향상시킬 수 있는가?
• RQ2 채널 셔플링과 원샷 특징 융합의 통합이 의료 영상 검출에서 특징 표현에 어떤 영향을 미치는가?
• RQ3 RCS-YOLO는 Br35H 데이터셋에서 기존 YOLO 버전인 YOLOv6, YOLOv7, YOLOv8보다 우월한 성능을 보일 수 있는가?
• RQ4 제안된 방법이 추론 시간을 얼마나 줄일 수 있으며, 이와 동시에 정확도를 유지하거나 향상시킬 수 있는가?

주요 결과

• RCS-YOLO는 Br35H 데이터셋에서 114.8 FPS의 추론 속도를 기록하여 YOLOv7 대비 60% 향상된 성능을 보였다.
• mAP를 높게 유지하면서 YOLOv7 대비 정밀도를 1% 향상시켜 뛰어난 정확도를 입증했다.
• RCS-YOLO는 YOLOv6, YOLOv7, YOLOv8 모두와 비교해 속도와 정확도에서 뛰어난 성능을 보이며 최고 수준의 성능을 달성했다.
• RCS 및 RCS-OSA 모듈의 통합은 특징 추출 능력을 향상시키고 계산 오버헤드를 줄여 더 빠른 추론에 기여했다.