[논문 리뷰] Small Object Detection using Deep Learning

Aleena Ajaz, Ayesha Salar외 2명|arXiv (Cornell University)|2022. 01. 10.

Advanced Neural Network Applications인용 수 6

한 줄 요약

이 논문은 드론과 같은 소형 물체를 항공 영상에서 탐지하기 위한 경량이며 효율적인 딥러닝 시스템을 제안한다. 모델은 93%의 리콜과 91%의 정밀도를 달성하여 이전 YOLO 버전 대비 성능 향상과 계산 비용 감소를 보이며, UAV 감시 응용 분야에서 실시간 자율 탐지에 적합하다.

ABSTRACT

Now a days, UAVs such as drones are greatly used for various purposes like that of capturing and target detection from ariel imagery etc. Easy access of these small ariel vehicles to public can cause serious security threats. For instance, critical places may be monitored by spies blended in public using drones. Study in hand proposes an improved and efficient Deep Learning based autonomous system which can detect and track very small drones with great precision. The proposed system consists of a custom deep learning model Tiny YOLOv3, one of the flavors of very fast object detection model You Look Only Once (YOLO) is built and used for detection. The object detection algorithm will efficiently the detect the drones. The proposed architecture has shown significantly better performance as compared to the previous YOLO version. The improvement is observed in the terms of resource usage and time complexity. The performance is measured using the metrics of recall and precision that are 93% and 91% respectively.

연구 동기 및 목표

• UAV가 촬영한 항공 영상에서 매우 소형 드론을 탐지하는 데 도전 과제를 해결하기 위해.
• 자원 제약이 있는 시스템에 실시간 구현에 적합한 효율적이고 경량의 딥러닝 모델을 개발하기 위해.
• 이전 YOLO 버전 대비 탐지 정확도 향상과 계산 복잡도 감소를 위해.
• 보안 민감도가 높은 환경에서 소형 공중 위협의 자율적 탐지 및 추적을 가능하게 하기 위해.

제안 방법

• You Only Look Once (YOLO) 객체 탐지 프레임워크의 경량 변종으로서, 맞춤형 딥러닝 모델인 Tiny YOLOv3가 개발되었다.
• 고정밀도와 낮은 지연 시간을 위해 항공 영상 데이터로 모델을 훈련시켰다.
• 파rameter 수와 추론 시간을 최소화하여 효율성을 향상시키기 위해 아키텍처가 최적화되었다.
• 표준 평가 지표인 정밀도와 리콜을 사용하여 성능을 평가하였으며, mAP나 IoU 임계값에 대한 언급은 없었다.
• 실시간 추론을 위해 설계되었으며, YOLO의 속도를 유지하면서도 높은 탐지 정확도를 확보하였다.

실험 결과

연구 질문

• RQ1 경량 YOLO 기반 모델이 항공 영상에서 매우 소형 드론에 대해 높은 탐지 정확도를 달성할 수 있는가?
• RQ2 제안된 Tiny YOLOv3 모델은 이전 YOLO 버전 대비 추론 속도와 자원 사용량 측면에서 어떻게 비교되는가?
• RQ3 UAV 감시 시나리오에서 소형 물체 탐지에 대해 어떤 정도의 정밀도와 리콜을 달성할 수 있는가?
• RQ4 모델 최적화가 탐지 성능을 희생시키지 않으면서 계산 복잡도를 얼마나 감소시킬 수 있는가?

주요 결과

• 제안된 Tiny YOLOv3 모델은 소형 드론 탐지 작업에서 정밀도 91%와 리콜 93%를 달성하였다.
• 이전 YOLO 버전 대비 자원 사용량과 시간 복잡도 측면에서 뚜렷한 효율성 향상을 보였다.
• 빠른 추론 속도와 낮은 계산 부하 덕분에 실시간 배포에 적합하다.
• 복잡한 항공 배경에서도 매우 소형 물체에 대해서도 높은 탐지 정확도를 유지한다.