[논문 리뷰] Fast vehicle detection algorithm based on lightweight YOLO7-tiny

Bo Li, YiHua Chen외 2명|arXiv (Cornell University)|2023. 04. 12.

Advanced Neural Network Applications인용 수 4

한 줄 요약

이 논문은 YOLOv7-tiny를 기반으로 하여 깊이 학습된 컨볼루션, 맞춤형 깊이 학습된 BiFPN, 깊이 학습된 분리 헤드, 좌표 주의 메커니즘을 사용하여 계산 비용을 줄이고 추론 속도와 정확도를 향상시킨 경량 차량 검출 모델인 Ghost-YOLOv7을 제안한다. PASCAL VOC에서 YOLOv7-tiny보다 FLOPs가 29.8% 감소하고, 파라미터 수가 37.3% 감소하고, 모델 크기가 35.1% 작아지고, mAP가 1.1% 높으며, 추론 속도가 27 FPS 빨라졌다.

ABSTRACT

The swift and precise detection of vehicles plays a significant role in intelligent transportation systems. Current vehicle detection algorithms encounter challenges of high computational complexity, low detection rate, and limited feasibility on mobile devices. To address these issues, this paper proposes a lightweight vehicle detection algorithm based on YOLOv7-tiny (You Only Look Once version seven) called Ghost-YOLOv7. The width of model is scaled to 0.5 and the standard convolution of the backbone network is replaced with Ghost convolution to achieve a lighter network and improve the detection speed; then a self-designed Ghost bi-directional feature pyramid network (Ghost-BiFPN) is embedded into the neck network to enhance feature extraction capability of the algorithm and enriches semantic information; and a Ghost Decouoled Head (GDH) is employed for accurate prediction of vehicle location and species; finally, a coordinate attention mechanism is introduced into the output layer to suppress environmental interference. The WIoU loss function is employed to further enhance the detection accuracy. Ablation experiments results on the PASCAL VOC dataset demonstrate that Ghost-YOLOv7 outperforms the original YOLOv7-tiny model. It achieving a 29.8% reduction in computation, 37.3% reduction in the number of parameters, 35.1% reduction in model weights, 1.1% higher mean average precision (mAP), the detection speed is higher 27FPS compared with the original algorithm. Ghost-YOLOv7 was also compared on KITTI and BIT-vehicle datasets as well, and the results show that this algorithm has the overall best performance.

연구 동기 및 목표

• 모바일 디바이스에서 높은 계산 복잡도와 낮은 구현 가능성을 가진 기존 차량 검출 모델의 문제를 해결하기 위해.
• 스마트 교통 시스템에서 실시간 차량 검출을 위한 정확도와 속도를 향상시키기 위해.
• mAP 성능을 유지하거나 향상시키면서 모델 크기와 파라미터 수를 줄이기 위해.
• 복잡한 환경에서의 특징 표현 및 강인성을 향상시키기 위해.
• 검출 품질을 손상시키지 않은 채 자원 제약이 있는 엣지 디바이스에 배포하기 위해 최적화하기 위해.

제안 방법

• 모델 복잡도를 낮추고 추론 속도를 향상시키기 위해 YOLOv7-tiny의 너비 승수를 0.5로 감소시켰다.
• 특징 표현을 유지하면서 FLOPs와 파라미터를 줄이기 위해 백본의 표준 컨볼루션을 깊이 학습된 컨볼루션으로 대체했다.
• 다중 척도 특징 융합을 향상시키고 의미 정보를 풍부하게 하기 위해 깊이 학습된 양방향 특징 피라미드 네트워크(Ghost-BiFPN)를 설계했다.
• 예측 헤드를 분리함으로써 차량의 정확한 국소화 및 분류를 가능하게 하기 위해 깊이 학습된 분리 헤드(GDH)를 제안했다.
• 배경 노이즈를 억제하고 관련 차량 특징에 대한 주의를 향상시키기 위해 출력층에 좌표 주의 메커니즘을 통합했다.
• 경계 상자 회귀 정확도를 향상시키고 mAP 성능을 향상시키기 위해 WIoU 손실 함수를 활용했다.

실험 결과

연구 질문

• RQ1 경량 YOLO 기반 모델이 모바일 및 엣지 디바이스에서 차량 검출에 대해 더 빠른 추론 속도와 높은 정확도를 달성할 수 있는가?
• RQ2 깊이 학습된 컨볼루션은 검출 성능을 떨어뜨리지 않고 모델 크기와 FLOPs를 얼마나 줄일 수 있는가?
• RQ3 제안된 깊이 학습된 BiFPN은 특징 표현 및 다중 척도 검출을 얼마나 효과적으로 향상시키는가?
• RQ4 깊이 학습된 분리 헤드는 표준 헤드보다 차량 국소화 및 분류 정확도에서 뛰어나게 작용하는가?
• RQ5 좌표 주의와 WIoU 손실 함수가 함께 환경 간섭에 대한 강인성과 회귀 정확도를 향상시킬 수 있는가?

주요 결과

• Ghost-YOLOv7는 PASCAL VOC 데이터셋에서 YOLOv7-tiny 대비 FLOPs가 29.8% 감소했다.
• 모델의 파라미터 수가 37.3% 감소하고, 모델 크기가 35.1% 작아졌다.
• 기존 YOLOv7-tiny 모델보다 평균 평균 정밀도(mAP)가 1.1% 높게 기록되었다.
• 검출 속도가 27 FPS 향상되어 총 27 FPS 빠른 추론을 달성했다.
• KITTI 및 BIT-vehicle 데이터셋에서 기준 모델 대비 Ghost-YOLOv7가 뛰어난 종합 성능을 보였다.
• 절단 실험을 통해 깊이 학습된 BiFPN, GDH, 좌표 주의의 각 구성 요소가 정확도와 효율성을 향상시키는 데 효과적임을 확인했다.