[논문 리뷰] Salient Sign Detection In Safe Autonomous Driving: AI Which Reasons Over Full Visual Context

Ross Greer, Akshay Gopalkrishnan외 3명|arXiv (Cornell University)|2023. 01. 14.

Safety Warnings and Signage인용 수 7

한 줄 요약

이 논문은 운전자 의사결정에 영향을 주는 표지(Sign)들을 우선순위로 다루는 실루엣 인식 기반 보행자/교통 표지 인식 프레임워크를 제시하며, 새로운 LAVA Salient Signs Dataset과 Salience-Sensitive Focal Loss를 통해 Deformable DETR의 중요한 표지에 대한 재현율(recall)을 향상시킨다.

ABSTRACT

Detecting road traffic signs and accurately determining how they can affect the driver's future actions is a critical task for safe autonomous driving systems. However, various traffic signs in a driving scene have an unequal impact on the driver's decisions, making detecting the salient traffic signs a more important task. Our research addresses this issue, constructing a traffic sign detection model which emphasizes performance on salient signs, or signs that influence the decisions of a driver. We define a traffic sign salience property and use it to construct the LAVA Salient Signs Dataset, the first traffic sign dataset that includes an annotated salience property. Next, we use a custom salience loss function, Salience-Sensitive Focal Loss, to train a Deformable DETR object detection model in order to emphasize stronger performance on salient signs. Results show that a model trained with Salience-Sensitive Focal Loss outperforms a model trained without, with regards to recall of both salient signs and all signs combined. Further, the performance margin on salient signs compared to all signs is largest for the model trained with Salience-Sensitive Focal Loss.

연구 동기 및 목표

• 안전한 자율주행을 촉진하기 위해 운전자 의사결정에 실질적으로 영향을 주는 표지에 초점을 맞춘다.
• 표지의 salience 속성을 정의하고 salience 레이블로 주석된 데이터셋(LAVA Salient Signs Dataset)을 구축한다.
• 모델 학습 중 중요한 표지를 강조하는 손실 함수를 개발하여 실행 가능한 탐지를 향상시킨다.

제안 방법

• 주행 장면에서 교통 표지의 Salience 속성을 정의한다.
• 주석된 salience 레이블로 LAVA Salient Signs Dataset을 생성한다.
• Salience-Sensitive Focal Loss를 사용하여 Deformable DETR 객체 검출기를 학습시켜 salient 표지를 강조한다.
• salient 표지 및 전체 표지 재현율에 대한 성능을 평가한다.

실험 결과

연구 질문

• RQ1 Salience-aware 손실이 비-salience 표지 성능을 희생하지 않으면서 salient 표지의 탐지 재현율을 향상시킬 수 있는가?
• RQ2 salience-aware 프레임워크를 통한 전체 시각 맥락의 도입이 안전한 자율주행 표지 이해를 향상시키는가?
• RQ3 Salience-Sensitive Focal Loss는 표준 손실과 비교하여 salient 표지 탐지에 어떤 차이가 있는가?
• RQ4 제안된 접근법을 사용할 때 salient 표지의 재현율과 모든 표지의 재현율 간에 어떤 영향이 있는가?

주요 결과

• Salience-Sensitive Focal Loss로 학습된 모델은 salient 표지와 모든 표지에 대해 비-salience 기준선 대비 재현율이 향상되었다.
• salience-aware 손실로 학습될 때 salient 표지 대비 모든 표지의 성능 차이가 더 커진다.
• 이 접근법은 salience 추론을 위한 전체 시각 맥락을 활용하기 위해 Deformable DETR 검출기를 사용한다.