[논문 리뷰] UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5

Jingyao Wang, Naigong Yu|arXiv (Cornell University)|2022. 07. 02.

Advanced Neural Network Applications인용 수 6

한 줄 요약

이 논문은 두 단계의 계단식 CSM 백본, 압축-확장(SE) 주의 모듈, 그리고 새로운 무작위 박스 유사도 계산 방식을 통해 YOLOv5를 개선한 실시간 수중 목표 검출 방법인 UTD-Yolov5를 제안한다. 이 방법은 CSIRO 데이터셋에서 78.54%의 평균 정밀도를 달성하여 저조도, 저해상도 수중 조건에서의 검출 정확도를 크게 향상시킨다.

ABSTRACT

As the treasure house of nature, the ocean contains abundant resources. But the coral reefs, which are crucial to the sustainable development of marine life, are facing a huge crisis because of the existence of COTS and other organisms. The protection of society through manual labor is limited and inefficient. The unpredictable nature of the marine environment also makes manual operations risky. The use of robots for underwater operations has become a trend. However, the underwater image acquisition has defects such as weak light, low resolution, and many interferences, while the existing target detection algorithms are not effective. Based on this, we propose an underwater target detection algorithm based on Attention Improved YOLOv5, called UTD-Yolov5. It can quickly and efficiently detect COTS, which in turn provides a prerequisite for complex underwater operations. We adjusted the original network architecture of YOLOv5 in multiple stages, including: replacing the original Backbone with a two-stage cascaded CSP (CSP2); introducing the visual channel attention mechanism module SE; designing random anchor box similarity calculation method etc. These operations enable UTD-Yolov5 to detect more flexibly and capture features more accurately. In order to make the network more efficient, we also propose optimization methods such as WBF and iterative refinement mechanism. This paper conducts a lot of experiments based on the CSIRO dataset [1]. The results show that the average accuracy of our UTD-Yolov5 reaches 78.54%, which is a great improvement compared to the baseline.

연구 동기 및 목표

• 저조도, 저해상도, 고노이즈 특성을 띠는 열악한 수중 영상 품질로 인해 효과적인 목표 검출이 어려운 문제를 해결한다.
• 기존 YOLOv5 기반 검출 모델의 성능을 기존 방법이 실패하는 복잡한 수중 환경에서 향상시키는 것.
• 해양 생태계 보존을 지원하기 위해 코브라 스타리시(코브라 별)와 같은 중요한 해양 생물 종을 실시간으로 정확하게 검출할 수 있는 시스템을 개발하는 것.
• 구조적 개선과 주의 메커니즘을 통해 네트워크 효율성과 특징 추출 능력을 최적화하여 검출의 강인성을 향상시키는 것.

제안 방법

• 저조도 수중 조건에서 특징 추출과 표현 능력을 향상시키기 위해 원래의 YOLOv5 백본을 두 단계의 계단식 CSM(CSP2) 아키텍처로 교체한다.
• 중요한 채널을 강조하고 덜 관련성이 있는 채널을 억제함으로써 특징 맵을 재조정하는 압축-확장(SE) 채널 주의 메커니즘을 통합한다.
• 혼잡한 수중 환경에서의 오분류를 줄이고 앵커 할당을 향상시키기 위해 무작위 박스 유사도 계산 방법을 제안한다.
• 다중 해상도 융합을 통해 검출 신뢰도와 바운딩 박스 정확도를 향상시키기 위해 가중치 기반 통합 및 반복 보정(WBF)을 적용한다.
• 고정밀도를 유지하면서도 추론 속도와 효율성을 최적화하여 수중 로봇 시스템에 실시간 배포가 가능한 구조로 개선한다.
• 코브라 스타리시와 기타 해양 물체를 포함한 다양한 수중 목표 인스턴스를 포함한 CSIRO 수중 데이터셋을 사용해 모델을 미세조정한다.

실험 결과

연구 질문

• RQ1 저조도 및 저해상도 조건에서 YOLOv5를 어떻게 효과적으로 수중 목표 검출에 적응시킬 수 있는가?
• RQ2 채널 주의 메커니즘을 통합할 경우 수중 영상 검출 작업에서 특징 표현 능력이 얼마나 향상되는가?
• RQ3 무작위 유사도 계산 기반의 수정된 앵커 할당 전략이 복잡한 수중 환경에서 검출 정확도 향상과 오분류 감소에 기여하는가?
• RQ4 CSP2와 WBF와 같은 아키텍처 수정이 실시간 성능과 검출 강인성에 기여하는 방식은 무엇인가?
• RQ5 기본 모델인 YOLOv5 대비 제안된 UTD-Yolov5 모델을 사용했을 때 수중 데이터셋에서 평균 정밀도(mAP)의 정량적 향상 수준은 어느 정도인가?

주요 결과

• UTD-Yolov5는 CSIRO 수중 데이터셋에서 78.54%의 평균 정밀도(mAP)를 달성하여 기존 YOLOv5 기준 모델을 뚜렷이 능가한다.
• SE 주의 모듈의 통합은 특징 맵의 분류에 기여하는 채널에 집중함으로써 노이즈가 많은 수중 환경에서의 검출 정확도를 향상시킨다.
• 제안된 두 단계의 계단식 CSM(CSP2) 백본은 원래 YOLOv5 백본 대비 특징 학습 능력과 검출 강인성을 향상시킨다.
• 제안된 무작위 박스 유사도 계산 방법은 복잡한 수중 환경에서 오분류 검출을 감소시키고 정위치 정확도를 향상시킨다.
• WBF 및 반복 보정 메커니즘은 검출 신뢰도와 바운딩 박스 정밀도를 향상시켜 종합적인 성능 향상에 기여한다.
• 모델은 실시간 추론 속도를 유지하여 해양 생태계 모니터링 및 개입을 위한 수중 로봇 플랫폼에 배포하기에 적합하다.