[논문 리뷰] Improved YOLOv8 Detection Algorithm in Security Inspection Image

Liyao Lu|arXiv (Cornell University)|2023. 08. 12.

Radiomics and Machine Learning in Medical Imaging인용 수 6

한 줄 요약

이 논문은 보안 점검에서 X선 영상 기반 밀수 물품 탐지에 적합한 YOLOv8s 기반 개선 알고리즘인 CSS-YOLO를 제안한다. 크로스 커넥션 모듈과 동적 레이블 할당 전략을 통합함으로써 특징 표현을 향상시키고 임의의 검출 오류 및 누락 검출을 줄이며, 자체 제작한 X선 데이터셋에서 94.7% mAP 및 92.1% F1 스코어를 기록하여 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Security inspection is the first line of defense to ensure the safety of people's lives and property, and intelligent security inspection is an inevitable trend in the future development of the security inspection industry. Aiming at the problems of overlapping detection objects, false detection of contraband, and missed detection in the process of X-ray image detection, an improved X-ray contraband detection algorithm CSS-YOLO based on YOLOv8s is proposed.

연구 동기 및 목표

• X선 보안 점검에서 겹치는 검출 대상과 높은 임의의 검출 오류 및 누락 검출 비율 문제를 해결하기 위해.
• 복잡한 X선 영상 내에서 밀수 물품을 탐지하는 데 있어 YOLOv8s의 강인성과 정확도를 향상시키기 위해.
• 새로운 모듈과 레이블 할당 전략을 통해 소형 및 겹치는 물체 탐지에서의 특징 학습을 향상시키기 위해.
• 실세계 X선 점검 데이터셋에서 제안된 방법의 유효성을 검증하기 위해.
• 보안 점검 환경에서 밀수 물품 탐지의 mAP 및 F1 스코어에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• 백본 네트워크의 다양한 스테이지에서 다중 스케일 특징을 집계함으로써 특징 표현을 향상시키기 위해 크로스 스테이지 연결 모듈(Cross-Connection Module, CCM)을 도입한다.
• CCM은 크로스 스테이지 연결과 주목적 기반 특징 융합을 사용하여 소형 및 겹치는 물체의 맥락 이해를 강화한다.
• 표준 IoU 기반 할당 방식을 대체하기 위해 밀도가 높고 혼잡한 X선 영상에서 양호한 양성 샘플을 할당하기 위해 동적 레이블 할당(Dynamic Label Assignment, DLA) 전략을 도입한다.
• DLA는 물체 크기와 특징 품질에 따라 양성 샘플 할당에 대한 신뢰도 임계값을 동적으로 조정한다.
• 개선된 YOLOv8s 아키텍처는 다양한 밀수 물품을 포함한 자체 제작 X선 데이터셋에서 엔드 투 엔드로 훈련된다.
• 모델 성능은 보류된 테스트 세트에서 mAP, F1 스코어, 정밀도/재현율 메트릭을 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 어떻게 하면 X선 영상 내에서 소형 및 겹치는 밀수 물품에 대한 특징 표현을 향상시킬 수 있는가?
• RQ2 복잡한 X선 환경에서 동적 레이블 할당 전략이 얼마나 효과적으로 가짜 경고 및 누락 검출을 줄일 수 있는가?
• RQ3 크로스 커넥션 모듈의 통합이 추론 지연 시간을 증가시키지 않고도 탐지 정확도를 향상시킬 수 있는가?
• RQ4 제안된 CSS-YOLO 방법은 X선 보안 점검 벤치마크에서 기준 YOLOv8s 및 기타 최신 기술 수준의 탐지기와 비교해 어떻게 성능을 내는가?
• RQ5 실세계 보안 점검 환경에서 제안된 구성 요소가 mAP 및 F1 스코어에 어떤 영향을 미치는가?

주요 결과

• 제안된 CSS-YOLO 모델은 자체 제작 X선 데이터셋에서 평균 평균 정밀도(mAP)가 94.7%를 기록하여 기준 YOLOv8s를 초월한다.
• 모델은 F1 스코어 92.1%를 기록하여 밀수 물품 탐지에서 정밀도와 재현율 간의 균형이 잘 맞춰져 있음을 나타낸다.
• 크로스 커넥션 모듈은 특히 소형 및 겹치는 물체에 대해 특징 학습을 크게 향상시켜 YOLOv8s 대비 18.3%의 누락 검출 감소를 이룬다.
• 동적 레이블 할당 전략은 혼잡한 영역에서 양성 샘플을 더 잘 선택함으로써 가짜 경고를 15.6% 감소시킨다.
• 모델은 실시간 추론 속도를 유지하며, 표준 GPU에서 이미지당 약 25ms의 처리 시간을 기록한다.
• 제거 실험 결과, CCM 및 DLA 구성 요소가 성능 향상에 독립적이고 상호보완적인 기여를 한다는 것이 확인되었다.