[논문 리뷰] Real-time object detection method based on improved YOLOv4-tiny

Zicong Jiang, Liquan Zhao외 2명|arXiv (Cornell University)|2020. 11. 09.

Advanced Neural Network Applications참고 문헌 28인용 수 174

한 줄 요약

본 논문은 두 개의 CSPBlocks를 대체한 수정된 백본(ResBlock-D)을 사용하고 더 풍부한 특징 추출을 위한 보조 잔차 네트워크를 도입하여 YOLOv4-tiny를 개선한 더 빠른 실시간 객체 검출 방법을 제시하며, YOLOv4-tiny와 유사한 정확도를 유지하면서 속도를 더 높인다.

ABSTRACT

The "You only look once v4"(YOLOv4) is one type of object detection methods in deep learning. YOLOv4-tiny is proposed based on YOLOv4 to simple the network structure and reduce parameters, which makes it be suitable for developing on the mobile and embedded devices. To improve the real-time of object detection, a fast object detection method is proposed based on YOLOv4-tiny. It firstly uses two ResBlock-D modules in ResNet-D network instead of two CSPBlock modules in Yolov4-tiny, which reduces the computation complexity. Secondly, it designs an auxiliary residual network block to extract more feature information of object to reduce detection error. In the design of auxiliary network, two consecutive 3x3 convolutions are used to obtain 5x5 receptive fields to extract global features, and channel attention and spatial attention are also used to extract more effective information. In the end, it merges the auxiliary network and backbone network to construct the whole network structure of improved YOLOv4-tiny. Simulation results show that the proposed method has faster object detection than YOLOv4-tiny and YOLOv3-tiny, and almost the same mean value of average precision as the YOLOv4-tiny. It is more suitable for real-time object detection.

연구 동기 및 목표

• 네트워크를 단순화하되 정확도를 유지하여 모바일 및 임베디드 디바이스에서의 실시간 객체 검출을 촉진한다.
• 백본의 구조적 변경을 통해 계산량을 줄인다.
• 보조 잔차 네트워크와 어텐션 메커니즘으로 특징 추출을 향상시켜 탐지 오차를 낮춘다.

제안 방법

• YOLOv4-tiny에서 두 개의 CSPBlock 모듈을 두 개의 ResBlock-D 모듈로 교체하여 계산량을 낮춘다.
• 더 많은 객체 특징 정보를 추출하기 위해 보조 잔차 네트워크 블록을 도입한다.
• 보조 네트워크에서 연속된 두 개의 3x3 컨볼루션을 사용하여 글로벌 특징을 위한 5x5 수용 필드를 만든다.
• 정보성이 높은 특징을 강화하기 위해 채널 어텐션과 공간 어텐션을 적용한다.
• 보조 네트워크를 백본과 병합하여 최종 개선된 YOLOv4-tiny 아키텍처를 형성한다.

실험 결과

연구 질문

• RQ1 YOLOv4-tiny 백본을 단순화하더라도 탐지 정확도가 희생되지 않는가?
• RQ2 보조 잔차 네트워크가 작은 물체와 큰 물체에 대한 특징 표현을 향상시키는가?
• RQ3 어텐션 메커니즘과 더 큰 수용 필드가 실시간 탐지기의 탐지 오차를 줄이는가?

주요 결과

• 제안된 방법은 YOLOv4-tiny와 YOLOv3-tiny보다 더 빠르게 실행된다.
• 이 방법은 YOLOv4-tiny와 거의 동일한 mean average precision (mAP)를 달성한다.
• 향상된 아키텍처는 모바일 및 임베디드 디바이스에서의 실시간 객체 탐지에 더 적합하다.