[논문 리뷰] TraCon: A novel dataset for real-time traffic cones detection using deep learning

Iason Katsamenis, Eleni Eirini Karolou외 5명|arXiv (Cornell University)|2022. 05. 24.

Advanced Neural Network Applications인용 수 7

한 줄 요약

이 논문은 교통봉 감지에 적합한 540장의 도로공사 이미지를 포함한 새로운 RGB 데이터셋인 TraCon을 소개하고, 실시간 정확도 높은 감지를 위한 YOLOv5 기반 딥러닝 모델을 제안한다. 이 방법은 이미지당 평균 추론 시간 0.065초 내외로 91.31%의 높은 평균 교차율(Intersection over Union, IoU) 점수를 달성하여, 가림, 다양한 조명 조건 등 다양한 실제 환경 조건에서도 뛰어난 성능을 보였다.

ABSTRACT

Substantial progress has been made in the field of object detection in road scenes. However, it is mainly focused on vehicles and pedestrians. To this end, we investigate traffic cone detection, an object category crucial for road effects and maintenance. In this work, the YOLOv5 algorithm is employed, in order to find a solution for the efficient and fast detection of traffic cones. The YOLOv5 can achieve a high detection accuracy with the score of IoU up to 91.31%. The proposed method is been applied to an RGB roadwork image dataset, collected from various sources.

연구 동기 및 목표

• 도로공사 상황에서 실시간 교통봉 감지에 적합한 전용 데이터셋과 강력한 모델의 부족을 보완하기 위해.
• 임시 도로 공사에 사용되는 일시적 교통봉을 정확하게 감지함으로써 도로 안전 및 자동화를 향상시키기 위해.
• 스마트폰 및 드론과 같은 저메모리 장치에 적합한 경량이며 구현 가능한 객체 감지 시스템을 개발하기 위해.
• 자율 주행 및 자동 도로공사 모니터링을 포함한 지능형 교통 시스템을 지원하기 위해.
• 로봇 유지보수 시스템이 일시적 도로 표지판(예: 교통봉)을 인식하고 반응할 수 있도록 HERON 프로젝트에 기여하기 위해.

제안 방법

• 다양한 조건에서 DSLR 카메라, 스마트폰, UAV로부터 수집한 540장의 도로공사 이미지를 포함한 다중원천 RGB 데이터셋을 구축하였다.
• HERON 프로젝트 프레임워크 내에서 전문 엔지니어들이 교통봉에 대한 바운딩 박스를 수작업으로 애너테이션하였다.
• 저연산 비용과 저메모리 사용량(<15 MB)을 고려해 실시간 객체 감지를 위한 YOLOv5 소형 모델을 활용하였다.
• 데이터 증강을 위해 수평 뒤집기 기법을 적용하여 훈련 데이터 크기를 400개에서 800개로 증가시켜 일반화 능력을 향상시켰다.
• 입력 해상도 448×448 픽셀로, 배치 크기 32, 200 에포크 동안 Google Colab의 Tesla K80 GPU에서 훈련하였다.
• 훈련 및 검증 세트 모두에서 양성 샘플(봉이 있는 경우)과 부정성 샘플(봉이 없는 경우)을 각각 50%로 균형 잡힌 훈련 세트를 구성하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 객체 감지 모델은 이질적인 도로공사 이미지에서 높은 정확도와 실시간 추론 성능을 달성할 수 있는가?
• RQ2 작은 다양성 있는 교통봉 데이터셋에서 데이터 증강 및 균형 잡힌 샘플링 전략이 감지 성능에 어떤 영향을 미치는가?
• RQ3 YOLOv5 소형 모델은 경량화를 유지하면서도 높은 정확도를 유지를 할 수 있는가?
• RQ4 가림, 다양한 조명, 악천후 조건과 같은 도전적인 상황에서 모델의 성능은 어떠한가?
• RQ5 TraCon과 같은 전용 데이터셋이 교통봉 감지 시스템의 일반화 능력 향상과 벤치마크 설정에 어떤 기여를 할 수 있는가?

주요 결과

• YOLOv5 기반 모델은 테스트 세트에서 평균 교차율(IoU) 점수 91.31% ± 5.42%를 기록하여 높은 감지 정확도를 입증하였다.
• 모델은 평균 이미지당 추론 시간 0.065 ± 0.029초를 기록하여 동적 환경에 적합한 실시간 성능을 확보하였다.
• 데이터셋에는 총 947개의 교통봉이 540장의 이미지에 포함되어 있으며, 과노출, 과소노출, 다양한 기상 조건을 포함한 다양한 출처에서 수집된 이미지로 구성되어 있다.
• 수평 뒤집기 기반의 데이터 증강을 통해 효과적인 훈련 세트 크기가 400장에서 800장으로 증가하여 모델의 일반화 능력 향상에 기여하였다.
• 모델의 소형 크기(15 MB 이하) 덕분에 스마트폰, 드론, 마이크로컨트롤러와 같은 저메모리 장치에 쉽게 배포가 가능하다.
• 데이터셋은 https://github.com/ikatsamenis/Cone-Detection 에 공개되어 있어 재현성과 향후 벤치마크 작업을 지원한다.