[논문 리뷰] Vehicle Color Recognition using Convolutional Neural Network

Reza Fuad Rachmadi, I Ketut Eddy Purnama|arXiv (Cornell University)|2015. 10. 26.

Image Enhancement Techniques참고 문헌 8인용 수 50

한 줄 요약

이 논문은 채널의 분포 특징을 학습하기 위해 다중 합성곱 및 풀링 레이어를 사용하는 컨볼루션 신경망(CNN) 기반의 차량 색상 인식 방법을 제안한다. 이 방법은 채널의 분포 특징을 학습함으로써 기존의 방법보다 뛰어난 성능을 보이며, Chen 데이터셋에서 94.47%의 정확도를 달성한다. 접근 방식은 RGB, HSV, CIE Lab 색상 공간을 사용하며, CNN이 형태 기반 학습을 위해 설계되었음에도 불구하고 색상 분포를 효과적으로 분류할 수 있음을 보여준다.

ABSTRACT

Vehicle color information is one of the important elements in ITS (Intelligent Traffic System). In this paper, we present a vehicle color recognition method using convolutional neural network (CNN). Naturally, CNN is designed to learn classification method based on shape information, but we proved that CNN can also learn classification based on color distribution. In our method, we convert the input image to two different color spaces, HSV and CIE Lab, and run it to some CNN architecture. The training process follow procedure introduce by Krizhevsky, that learning rate is decreasing by factor of 10 after some iterations. To test our method, we use publicly vehicle color recognition dataset provided by Chen. The results, our model outperform the original system provide by Chen with 2% higher overall accuracy.

연구 동기 및 목표

• 조명 및 이미지 품질 변동에 강건한 지능형 교통 시스템(ITS)을 위한 안정적인 차량 색상 인식 시스템을 개발하기 위해.
• 기본적으로 형태 인식을 위해 설계된 CNN이 색상 분포 기반으로 효과적으로 학습하고 분류할 수 있는지 조사하기 위해.
• RGB, HSV, CIE Lab 색상 공간을 사용한 CNN의 성능을 비교하기 위해.
• 실시간 ITS 애플리케이션에 실용적으로 구현하기 위해 CPU 및 GPU 하드웨어에서 모델의 실행 효율성을 평가하기 위해.

제안 방법

• 입력 이미지는 RGB, HSV, CIE Lab 색상 공간으로 변환되어 분류 성능에 미치는 영향을 탐색한다.
• 총 16개의 레이어를 가진 이중 분기 CNN 아키텍처를 사용하며, 합성곱 및 풀링 연산 후 두 개의 병렬 네트워크에서 추출된 특징을 통합한다.
• 초기 레이어에서 ReLU 활성화 함수, 국소 응답 정규화, 최대 풀링을 사용하여 특징 학습을 향상시키고 과적합을 줄인다.
• 수렴을 향상시키기 위해 Krizhevsky 등이 제시한 절차를 따르며, 확률적 경사 하강법과 학습률 감소 전략을 사용해 모델을 훈련시킨다.
• 첫 번째 합성곱 레이어의 특징 맵을 시각화하여 네트워크가 빨간-파랑, 초록-grayscale, 시안 유사 특징과 같은 색상 패턴을 어떻게 포착하는지 분석한다.
• GPU 가속을 사용하는 클라이언트-서버 아키텍처를 활용해 실시간 추론을 가능하게 하며, 448코어 GPU에서 분류 시간을 0.156초로 단축시킨다.

실험 결과

연구 질문

• RQ1 형태 기반 특징 추출을 위해 설계된 CNN이 색상 분포 기반으로 효과적으로 학습하고 분류할 수 있는가?
• RQ2 RGB, HSV, CIE Lab 색상 공간의 선택이 CNN 기반 차량 색상 인식 성능에 어떤 영향을 미치는가?
• RQ3 제안된 CNN 모델이 Chen 등이 제시한 최신 기술 대비 전체 정확도와 다양한 색상 클래스에 대한 강건성 측면에서 뛰어난 성능을 보이는가?
• RQ4 CPU 대비 GPU 하드웨어에서 CNN 모델의 추론 속도는 어떻게 되며, 실시간 ITS 애플리케이션에 구현 가능한가?

주요 결과

• 제안된 CNN 모델은 총 정확도 94.47%를 달성하여 Chen 등이 제시한 시스템보다 2% 높은 성능을 보였다.
• 모델은 RGB 색상 공간에서 가장 우수한 성능를 보였으며, 이는 RGB가 채널 기여도가 동일하여 색상 인식에 덜 적합하다는 기존의 가정과 정반대되는 결과였다.
• 노랑, 흰색, 파랑, 빨강, 회색, 검정, 초록 색상 클래스에서 뛰어난 성능를 보였으며, 시안 색상 클래스의 정확도는 Chen 등의 시스템 대비 0.7% 감소에 그쳤다.
• 혼동 행렬 분석 결과, 초록과 회색 클래스 간의 오분류는 특히 금속성 또는 저대비 페인트에서 색상 유사성으로 인해 발생했다.
• 실행 시간은 단일 코어 CPU에서 3초에서 448코어 GPU에서 0.156초로 감소하여 실시간 구현이 가능해졌다.
• 첫 번째 합성곱 레이어의 시각화 결과, 커널이 시안 유사, 빨강-파랑, 초록-grayscale, 주황 유사 특징과 같은 고유한 색상 패턴을 학습하는 것으로 확인되어 네트워크가 색상 특징을 효과적으로 포착할 수 있음을 입증했다.