[논문 리뷰] CFENet: An Accurate and Efficient Single-Shot Object Detector for Autonomous Driving

Qijie Zhao, Tao Sheng외 3명|arXiv (Cornell University)|2018. 06. 26.

Advanced Neural Network Applications참고 문헌 23인용 수 35

한 줄 요약

CFENet는 자율주행을 위한 경량 단일 스텝 객체 검출기로, 기존 SSD에 새로운 종합적 특징 증강(CFE) 모듈을 통합하여 소형 객체 검출 정확도를 크게 향상시키면서도 실시간 추론 속도를 유지한다. BDD 데이터셋에서 다중 척도 CFENet800은 29.69 mAP를 기록하여 2위를 차지했으며, 소형 객체 mAP에서 RefineDet을 2.2점 이상 앞서며 우수한 성능을 보였다.

ABSTRACT

The ability to detect small objects and the speed of the object detector are very important for the application of autonomous driving, and in this paper, we propose an effective yet efficient one-stage detector, which gained the second place in the Road Object Detection competition of CVPR2018 workshop - Workshop of Autonomous Driving(WAD). The proposed detector inherits the architecture of SSD and introduces a novel Comprehensive Feature Enhancement(CFE) module into it. Experimental results on this competition dataset as well as the MSCOCO dataset demonstrate that the proposed detector (named CFENet) performs much better than the original SSD and the state-of-the-art method RefineDet especially for small objects, while keeping high efficiency close to the original SSD. Specifically, the single scale version of the proposed detector can run at the speed of 21 fps, while the multi-scale version with larger input size achieves the mAP 29.69, ranking second on the leaderboard

연구 동기 및 목표

• 자율주행 환경에서 SSD와 같은 단일 스텝 검출기가 소형 객체에서 낮은 성능을 보이는 문제를 해결한다.
• 추론 속도를 희생시키지 않은 채 교통신호등, 표지판과 같은 소형 객체의 검출 정확도를 향상시킨다.
• 실시간 추론 능력(20+ FPS)을 유지하면서도 소규모 객체에 대한 특징 표현을 강화한다.
• 실제 자율주행 시스템에 구현 가능한 경량이고 효율적인 아키텍처를 개발한다.
• 특히 소형 객체에 대해 최신 기술 수준의 성능을 입증한다. BDD 도로 객체 검출 벤치마크에서의 성능을 검증한다.

제안 방법

• CFE 모듈을 SSD의 백본에 통합하여 다중 척도에서 특징 표현을 풍부하게 한다.
• 고수준(상위) 및 저수준(하위) 특징 맵에 CFE 모듈을 배치하여 의미 정보와 공간 정보를 강화한다.
• 다양한 단계의 다중 척도 특징을 융합하기 위해 특징 융합 블록(FFB)을 사용하여 검출의 강건성을 향상시킨다.
• 실시간 속도를 확보하기 위해 입력 크기를 512×512로 설정한 단일 척도 추론 전략을 채택하고, 정확도 향상을 위해 다중 척도 추론(800×800)도 적용한다.
• 효율적인 훈련 및 추론을 위해 최적화된 PyTorch v0.4+를 활용한 VGG-16 백본을 채택하여 고속 배포를 가능하게 한다.
• 속도를 유지하면서도 고품질 검출 박스를 확보하기 위해 하드-NMS를 후처리에 적용한다.

실험 결과

연구 질문

• RQ1 CFENet는 SSD 및 RefineDet에 비해 자율주행 환경에서 소형 객체 검출 성능을 뛰어나게 할 수 있는가?
• RQ2 종합적 특징 증강(CFE) 모듈은 소형 객체에 대한 특징 표현 향상에 얼마나 효과적인가?
• RQ3 다중 척도 추론과 특징 융합은 추론 속도를 저하시키지 않고 검출 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 CFENet는 소형 객체 검출에서 최신 기술 수준의 검출기보다 뛰어난 성능을 내면서도 실시간 추론 속도(20+ FPS)를 유지할 수 있는가?
• RQ5 CFENet는 실제 자율주행 벤치마크인 BDD에서 희귀하거나 소형 카테고리인 표지판과 교통신호등에 대해 어떻게 성능을 내는가?

주요 결과

• CFENet는 MSCOCO minival 세트에서 34.8 mAP를 기록하여 전체 mAP에서 RefineDet를 1.8점 이상 앞섰다.
• MSCOCO에서 소형 객체에 대해 CFENet는 18.3 mAP를 기록하여 RefineDet를 2.2점 이상 앞섰다.
• BDD 테스트 세트에서 CFENet800은 다중 척도 추론을 통해 29.69 mAP를 달성했으며, 랭킹에서 2위를 기록했다.
• 단일 척도의 CFENet512는 21 FPS로 실시간 추론 능력을 입증하여 자율주행에 적합한 성능을 보였다.
• 교통 신호등과 표지판과 같은 소형 객체에 대해 CFENet512는 15.4%의 S-mAP를 기록하여 RefineDet의 13.1%를 초월했다.
• 제거 실험 결과, CFE 모듈과 FFB가 성능 향상에 크게 기여했으며, 구성 요소 통합으로 mAP가 28.8에서 34.8로 상승했다.