객체 검출을 위한 다중 스케일 특성 융합 기법 :Multi-scale Feature Fusion Method for Object Detection

황재기

추천

검색

자료유형: 학위논문

저자정보: 황재기 (광운대학교, 광운대학교 일반대학원)

지도교수: 정광수

발행연도: 2023

저작권: 광운대학교 논문은 저작권에 의해 보호받습니다.

이용수3

이 논문의 연구 히스토리 (2)

2023

객체 검출을 위한 다중 스케일 특성 융합 기법

황재기 전자통신공학과 2023.01 학위논문

2021

다중 스케일 객체 검출을 위한 그래프 컨볼루션 네트워크 기반의 특성 맵 융합 기법

황재기 , 강성주 , 정광수 한국정보과학회 학술발표논문집 2021.12 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

객체 검출은 컴퓨터 비전에서 잘 알려진 분야로써 다양한 스케일의 객체를 높은 정확도로 검출하는 것은 객체 검출의 도전적인 과제이다. 다중 스케일 객체 검출 성능을 향상시키기 위한 대표적인 기법으로 FPN (Feature Pyramid Network)이 제안되었다. 그러나 FPN의 단순 덧셈 기반 하향식 특성 융합 방식은 서로 다른 계층이 가진 특성 정보 간 불일치로 인해 작은 객체 정보가 퇴색되는 문제가 있다. 또한 작은 수용 영역과 의미론적 특성 정보가 약한 저수준 특성 맵으로 인해 최적의 성능을 보장할 수 없다.
본 논문에서는 객체 검출 성능을 향상시키기 위한 다중 스케일 특성 융합 기법을 제안한다. 첫째, 고수준 특성 맵의 수용 영역을 확장하기 위한 DSPP (Dilated Spatial Pyramid Pooling)를 제안한다. 컨텍스트 정보를 최대한 활용하기 위해 확장률이 다른 여러 개의 Dilated 합성곱 계층을 사용하며 서로 다른 스케일의 특성 정보를 Skip-connection을 통해 융합한다.
둘째, 고수준의 의미론적 특성 정보를 저수준의 특성 맵에 효율적으로 전달하기 위해 SFFP (Spatial Feature Fusion Pyramid) 구조를 적용한다. SFFP는 다양한 수준의 특성 맵을 학습된 공간 가중치를 기반으로 융합함으로써 특성 맵 불일치 문제를 완화하고 향상된 다중 스케일 특성 맵을 생성한다.
셋째, 이미지 배경 영역의 간섭을 줄이고 다중 스케일 객체 영역에 집중한 특성 표현을 생성하기 위해 MSCA (Multi-Scale Channel Attention) 기법을 제안한다. MSCA는 백본의 Bottleneck 구조에 적용되어 객체 검출을 위한 향상된 특성 맵을 생성한다. 마지막으로 더 나은 정확도 성능을 얻기 위해 앵커 없는 검출 방식의 Sibling 헤드를 적용하였다.
제안하는 DSPP, SFFP, MSCA의 성능을 평가하기 위해 절제 연구 (Ablation stduy)를 진행하였다. 또한 제안하는 검출 모델을 평가하기 위해 기존 검출 모델과의 비교 실험을 수행하였다. 실험 결과 제안하는 검출 모델이 기존 모델들과 비교하여 검출 정확도를 개선하는 것을 확인하였다.

Object detection is a well-known task in computer vision, and detecting objects of various scales with high accuracy is a challenging task in object detection. FPN (Feature Pyramid Network) has been proposed as a representative technique for improving multi-scale object detection performance. However, FPN''s simple addition-based top-down feature fusion path has a problem in that small object information is decayed due to inconsistency between feature information of different layers. In addition, It cannot guarantee optimal detection performance due to low-level feature maps with small receptive fields and weak semantic feature information.
In this paper, we propose the enhanced multi-scale feature fusion method to improve the object detection performance
First, the DSPP (Dilated Spatial Pyramid Pooling) is proposed to expand the receptive field of high-level feature map. To make full use of the contextual information, DSPP uses several dilated convolutional layers with different dilation rates and fuses multi-scale feature information through skip connections.
Second, the SFFP (Spatial Feature Fusion Pyramid) structure is applied to efficiently transfer high-level semantic feature to low-level feature maps. SFFP fuses multi-level feature maps based on learned spatial weights to suppress the feature map inconsistency problem and generate enhanced multi-scale feature maps.
Third, we propose the MSCA (Multi-Scale Channel Attention) to reduce the interference of the image background regions and create enhanced feature representation focused on multi-scale object regions. MSCA is applied to the bottleneck structure of backbone network to generate an improved feature map for object detection. Finally, Anchor-free sibling heads are applied to obtain improved detection performance.
To evaluate the performance of the proposed DSPP, SFFP, and MSCA, we conducted ablation studies. In addition, we performed comparative experiments to evaluate the proposed model with previous object detection models. As a result of the experiments, we confirmed that the proposed detection model improves the detection performances compared with the existing models.

#객체 검출

제 1 장 서 론 1
제 2 장 관련 연구 4
2.1 DNN (Deep Neural Network) 4
2.2 DNN 기반의 객체 검출 7
2.3 다중 스케일 특성 융합 기법 19
2.4 객체 검출을 위한 컨텍스트 정보 21
2.5 어텐션 메커니즘 22
제 3 장 다증 스케일 객체 검출을 위한 특성 융합 기법 25
3.1 프레임워크 개요 25
3.2 DSPP (Dilated Spatial Pyramid Pooling) 27
3.3 SFFP (Spatial Feature Fusion Pyramid) 28
3.4 MSCA (Multi-Scale Channel Attention) 31
3.5 MSCA-ResNext 33
3.6 앵커 없는 sibling 헤드 34
3.7 손실 함수 35
제 4 장 성능 평가 및 고찰 37
4.1 실험 환경 37
4.2 절제 연구 (Ablation study) 39
4.3 객체 검출 성능 검증 실험 41
4.4 검출 결과 시각화 44
제 5 장 결 론 45
참 고 문 헌 48

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)