[논문 리뷰] Efficient Traffic-Sign Recognition with Scale-aware CNN

Yuchen Yang, Shuo Liu외 3명|arXiv (Cornell University)|2018. 05. 31.

Hand Gesture Recognition Systems인용 수 11

한 줄 요약

이 논문은 다중 해상도 특징 추출을 위한 이중 다중 해상도 완전 컨volution 네트워크(dual multi-scale Fully Convolutional Network, DMS-net)와 다중 해상도 특징 융합을 통한 경량 Inception 기반 분류 네트워크를 사용하는 척도 인식 가능 Traffic Sign Recognition(TSR) 시스템을 제안한다. 제안된 방법은 스웨덴 교통 표지 데이터셋(STSD)에서 99.88% 정밀도와 96.61% 재현율을 달성하여 최신 기술들을 능가하며, 자원 제약이 있는 차량에서 실시간 배포에 적합한 빠르고 경량의 성능을 보인다.

ABSTRACT

The paper presents a Traffic Sign Recognition (TSR) system, which can fast and accurately recognize traffic signs of different sizes in images. The system consists of two well-designed Convolutional Neural Networks (CNNs), one for region proposals of traffic signs and one for classification of each region. In the proposal CNN, a Fully Convolutional Network (FCN) with a dual multi-scale architecture is proposed to achieve scale invariant detection. In training the proposal network, a modified "Online Hard Example Mining" (OHEM) scheme is adopted to suppress false positives. The classification network fuses multi-scale features as representation and adopts an "Inception" module for efficiency. We evaluate the proposed TSR system and its components with extensive experiments. Our method obtains $99.88\%$ precision and $96.61\%$ recall on the Swedish Traffic Signs Dataset (STSD), higher than state-of-the-art methods. Besides, our system is faster and more lightweight than state-of-the-art deep learning networks for traffic sign recognition.

연구 동기 및 목표

• 작은 표지가 자주 누락되는 실제 주행 환경에서 다양한 크기의 교통 표지를 탐지하는 과제를 해결한다.
• 어두운 조명과 시각적 혼잡이 있는 복잡한 환경에서 오분류를 최소화하면서 탐지 재현율을 향상시킨다.
• 자원 제약이 있는 차량 내부 시스템에 통합 가능한 계산 및 메모리 오버헤드를 줄인다.
• 기존의 딥 러닝 기반 방법들보다 정확도와 추론 속도 면에서 뛰어난 경량, 효율적이고 정확한 TSR 프레임워크를 설계한다.

제안 방법

• 작은 크기의 표지를 위한 낮은 층에서의 특징 추출과 큰 크기의 표지를 위한 최종 층에서의 특징 추출을 위한 두 개의 병렬 브랜치를 가진 이중 다중 해상도 완전 컨볼루션 네트워크(DMS-net)를 사용한다.
• DMS-net의 입력으로 사전에 구성된 이미지 피라미드를 사용하여 다양한 수용 영역을 가진 다중 해상도 특징 추출을 가능하게 한다.
• 영역 제안 네트워크의 훈련 중 오분류를 억제하기 위해 수정된 손실 함수와 함께 온라인 하드 예외 마이닝(OHEM) 기법을 통합한다.
• Inception 모듈을 사용하여 다중 해상도 특징을 융합하는 경량 분류 네트워크를 설계하여 표현 학습 능력을 향상시킨다.
• DMS-net을 영역 제안 생성에 사용하고, 융합 기반 분류 네트워크를 결합하여 종단 간(end-to-end), 효율적인 TSR 파이프라인을 구성한다.
• 특징 맵 병합과 전역 평균 풀링을 적용하여 계산 효율성을 유지하면서 다중 해상도 특징 융합을 구현한다.

실험 결과

연구 질문

• RQ1 이중 다중 해상도 FCN 아키텍처는 특히 작고 먼 거리의 표지까지 넓은 해상도 범위에서 효과적으로 교통 표지를 탐지할 수 있는가?
• RQ2 제안된 OHEM 기반 훈련 기법은 복잡한 도로 환경에서 재현율을 향상시키면서 오분류를 줄이는 데 어떤 기여를 하는가?
• RQ3 분류 네트워크에서의 다중 해상도 특징 융합은 단일 해상도 특징 추출 대비 인식 정확도를 얼마나 향상시키는가?
• RQ4 기준 데이터셋에서 정확도, 속도, 모델 효율성 측면에서 전체 시스템은 최신 기술들과 비교해 어떻게 성능을 내는가?

주요 결과

• 제안된 척도 인식 가능 TSR 시스템은 스웨덴 교통 표지 데이터셋(STSD)에서 99.88% 정밀도와 96.61% 평균 재현율을 달성하여 최신 기술들을 능가한다.
• DMS-net은 300개의 제안 영역에서 평균 재현율 69.8%를 기록하여 소형 및 대형 교통 표지에서 RPN 대비 각각 4.6% 향상된 성능을 보였다.
• 절단 실험 결과, 작은 크기 또는 큰 크기의 브랜치를 제거할 경우 성능이 크게 떨어지며, 이는 이중 브랜치 아키텍처의 必요성을 확인한다.
• 융합-넷 분류기는 기준 방법 대비 mAP를 1.87% 향상시키며, Faster R-CNN 대비 STSD 기준으로 11.67% 높은 mAP를 달성하였다.
• 100개 이하의 제안 영역에서도 높은 성능을 유지함으로써, 후속 단계에서의 계산 부담 감소와 효율성을 입증하였다.
• 전체 시스템은 기존의 딥 러닝 기반 TSR 네트워크보다 더 가볍고 빠르며, 자동차 내장형 시스템에서 실시간 배포에 적합하다.