[논문 리뷰] YOLOCS: Object Detection based on Dense Channel Compression for Feature Spatial Solidification

Lin Huang, Weisheng Li외 4명|arXiv (Cornell University)|2023. 05. 07.

Advanced Image and Video Retrieval Techniques인용 수 4

한 줄 요약

이 논문은 백본에서 특성 공간 강화를 위한 조밀한 채널 압축(DCFS)과 헤드에서 비대칭 다중 수준 압축 분리 헤드(ADH)를 적용한 실시간 객체 검출 모델인 YOLOCS를 제안한다. 특성 순도와 기울기 흐름을 향상시켜 COCO에서 50.1%의 SOTA AP를 달성하면서도 속도 손실를 최소화하여, 모든 모델 크기에서 YOLOv5와 YOLOX를 능가한다.

ABSTRACT

In this study, we examine the associations between channel features and convolutional kernels during the processes of feature purification and gradient backpropagation, with a focus on the forward and backward propagation within the network. Consequently, we propose a method called Dense Channel Compression for Feature Spatial Solidification. Drawing upon the central concept of this method, we introduce two innovative modules for backbone and head networks: the Dense Channel Compression for Feature Spatial Solidification Structure (DCFS) and the Asymmetric Multi-Level Compression Decoupled Head (ADH). When integrated into the YOLOv5 model, these two modules demonstrate exceptional performance, resulting in a modified model referred to as YOLOCS. Evaluated on the MSCOCO dataset, the large, medium, and small YOLOCS models yield AP of 50.1%, 47.6%, and 42.5%, respectively. Maintaining inference speeds remarkably similar to those of the YOLOv5 model, the large, medium, and small YOLOCS models surpass the YOLOv5 model's AP by 1.1%, 2.3%, and 5.2%, respectively.

연구 동기 및 목표

• 3×3 컨벌루션에 의존하는 기존 YOLO 백본 네트워크의 넓이 또는 깊이 증가로 인한 성능 향상 한계를 해결한다.
• YOLO 아키텍처에서 전방 및 역방향 전파 동안 특성 표현 순도와 기울기 흐름을 향상시킨다.
• 모델 파라미터와 FLOPs를 감소시키면서도 추론 속도와 검출 정확도를 유지하거나 향상시킨다.
• 더 나은 공간 및 채널 기반 특성 통합을 가능하게 하는 새로운 백본 모듈(DCFS)과 헤드 모듈(ADH)을 개발한다.
• 실시간 추론 속도를 유지하면서 MSCOCO에서 SOTA 성능을 달성한다.

제안 방법

• 특성 공간 강화를 위한 조밀한 채널 압축 구조(DCFS)를 제안한다. 이는 조밀한 채널 압축을 통해 특성 표현을 향상시키는 새로운 백본 모듈이다.
• 비대칭 다중 수준 압축 분리 헤드(ADH)를 도입한다. 이는 비대칭 압축을 사용하여 다중 스케일에서 특성 학습을 분리하는 헤드 네트워크 설계이다.
• DCFS를 백본 및 넹 네트워크에 적용하여 네트워크 아키텍처 전반에 걸쳐 특성 공간 강화를 통일한다.
• 채널 기반 주의 메커니즘과 특성 융합 기법을 사용하여 역전파 동안 기울기 흐름을 강화하고 노이즈를 감소시킨다.
• DCFS와 ADH를 YOLOv5에 통합하여 YOLOCS를 구성한다. 이로써 추론 속도를 유지하면서 정확도를 향상시킨다.
• 표준 YOLO 손실 함수와 NMS를 사용하여 모델을 최적화하며, 백본과 헤드의 구조적 개선에 집중한다.

실험 결과

연구 질문

• RQ1 조밀한 채널 압축이 YOLO 기반 객체 검출기에서 특성 순도와 기울기 흐름을 효과적으로 향상시킬 수 있는가?
• RQ2 제안된 DCFS 모듈이 정확도와 효율성 측면에서 표준 CSP 기반 백본보다 뛰어나게 성능을 발휘하는가?
• RQ3 비대칭 다중 수준 분리 헤드 설계가 소형, 중형, 대형 객체에 동시에 검출 성능을 향상시킬 수 있는가?
• RQ4 YOLOCS는 YOLOv5 및 YOLOX보다 더 높은 정확도를 달성하면서도 실시간 추론 속도를 얼마나 유지하는가?
• RQ5 DCFS와 ADH의 조합이 MSCOCO 벤치마크에서 SOTA 성능을 달성하는가?

주요 결과

• YOLOCS-L은 MSCOCO 테스트-디브에서 50.1%의 AP를 기록하여 YOLOv5-L보다 1.1% 높으며, V100에서 거의 동일한 추론 속도(90 FPS)를 유지한다.
• YOLOCS-S는 42.6%의 AP를 달성하여 YOLOv5-S보다 5.2% 향상되고 YOLOX-S보다 3.0% 향상되었으며, 지연 증가가 미미하다.
• YOLOCS-M는 47.7%의 AP를 기록하여 YOLOv5-M보다 2.3% 향상되고 YOLOX-M보다 1.3% 향상되었으며, V100에서 115 FPS의 속도를 기록한다.
• 조밀한 채널 압축을 통해 파라미터와 FLOPs를 감소시켜 정확도를 훼손하지 않으면서도 높은 효율성을 달성한다.
• YOLOCS는 YOLOv4, YOLOX, EfficientDet, RetinaNet 등 비교된 모든 SOTA 모델보다 MSCOCO에서 모든 모델 크기에서 뛰어난 성능을 보였다.
• 절단 분석 결과, DCFS와 ADH 모두 성능 향상에 기여하며, 특히 DCFS가 특성 공간 강화 측면에서 매우 효과적임을 확인했다.