[논문]객체 검출을 위한 CNN과 YOLO 성능 비교 실험

이용환; 김영섭

객체 검출을 위한 CNN과 YOLO 성능 비교 실험
Comparison of CNN and YOLO for Object Detection 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.19 no.1, 2020년, pp.85 - 92

이용환 (원광대학교 디지털콘텐츠공학과) , 김영섭 (단국대학교 전자전기공학부)

Abstract ▼ AI-Helper

Object detection plays a critical role in the field of computer vision, and various researches have rapidly increased along with applying convolutional neural network and its modified structures since 2012. There are representative object detection algorithms, which are convolutional neural networks and YOLO. This paper presents two representative algorithm series, based on CNN and YOLO which solves the problem of CNN bounding box. We compare the performance of algorithm series in terms of accuracy, speed and cost. Compared with the latest advanced solution, YOLO v3 achieves a good trade-off between speed and accuracy.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 CNN 기반과 YOLO을 포함함 객체 검출 알고리즘에 대해 살펴보았다. YOLO는 통합된 객체 검출 모델로써, CNN과 비교하여 구성이 간단하고 전체 이미지를 직접 학습하여 실제 응용 프로그램에서 활용 가능하기에 적합한 것으로 보인다.
본 논문에서는 콘볼루션 신경망 기반의 객체 검출 알고리즘인 CNN계열과 CNN의 후보 영역 탐지의 문제점을 해결하는 YOLO 계열 알고리즘을 살펴보고, 정확도 및 속도 측면에서 대표적인 알고리즘의 성능을 비교하여 살펴 본다. 이를 통해, YOLO와 Faster R-CNN 알고리즘의 향후 활용을 논의한다.
본 논문에서는 콘볼루션 신경망 기반의 객체 검출 알고리즘인 CNN계열과 CNN의 후보 영역 탐지의 문제점을 해결하는 YOLO 계열 알고리즘을 살펴보고, 정확도 및 속도 측면에서 대표적인 알고리즘의 성능을 비교하여 살펴 본다. 이를 통해, YOLO와 Faster R-CNN 알고리즘의 향후 활용을 논의한다.

제안 방법

(2) v2에서 224 × 224 이미지로 분류기를 훈련시키고 적은 에포그를 사용하여 고해상도 분류기에 적용함에 따라 mAP 4% 향상을 보였다. (3) 앵커 박스를 사용하는 v2는 이미지당 약 1,000개의 박스를 예측하지만 앵커 박스가 없는 v1은 100개 수준의 박스를 예측하였다. v1은 mAP 69.
Table 1은 R-CNN, Fast R-CNN과 Faster R-CNN의 실행 속도를 비교하여 보여준다. Faster R-CNN은 선택적 검색에서 실행 시간을 감소하고 후보 영역을 추출하는 RPN을 설계하여 검출의 가속화를 얻었다.
YOLO v2는 대량의 분류 데이터를 활용하기 위해 고안된 방법으로, 공동 훈련 알고리즘을 통해 분류 데이터뿐만 아니라 객체 검출기의 훈련이 가능하다. YOLO v1에 비해 정확도와 속도 향상을 위해 일괄 정규화(Batch Normalization) 계층을 추가하였으며, 초기 학습의 안정화를 위해 콘볼루션 앵커 크기를 설정하였다. 또한 분류 네트워크를 미세 조정하여 고해상도 입력에서도 성능 향상을 도모하였으며, 경계 박스의 예측을 완전히 연결된 계층 대신에 앵커박스에서 수행하여 네트워크를 축소하면서 출력 해상도를 향상시켰다[16].
경계 박스가 사전에 정의된 특정 임계값 만큼 겹치지 않을 경우 예측은 무시될 수 있다. 또한 경계 박스 예측, 클래스 예측, 특징 검출기 및 반복적 검출 방지를 개선하였으며, 특징 피라미드 네트워크 (Feature Pyramid Network) 개념과 유사한 방식으로 3개의 서로 다른 스케일 박스를 예측하여 다양한 스케일에서 특징을 추출한다. 이를 통해 결합된 특징 맵을 처리하고 보다 큰 텐서를 예측하기 위해 추가적인 콘볼루션 계층이 포함되었다[17].
본 절에서는 Faster R-CNN과 YOLO을 비교 분석한다. 이들은 CNN을 기반으로 성능 개선을 주도한 대표적인 알고리즘이다.
이는 분류 대상의 객체로 감지하는 대신에, 경계 박스를 다차원적으로 분리하고 클래스 확률(Class Probability)을 적용하여 하나의 회귀 문제로 접근한다. 입력 이미지는 CNN을 통해 텐서(Tensor)의 그리드 형태로 나누고, 각 구간에 따라 객체인 경계 박스와 클래스 확률을 생성하여 해당 구역의 객체를 인식한다. YOLO는 후보 영역을 추출하기 위한 별도의 네트워크를 적용하지 않기 때문에 Faster R-CNN보다 처리시간 측면에서 월등한 성능을 보인다.
이를 보완하는 Faster RCNN은 동일한 콘볼루션 네트워크에서 객체 감지 및 후보 영역 생성을 수행한다. 후보 영역 생성에 대한 방법으로, 선택적 탐색(Selective Search) 기법 대신에, 별도의 영역 제안 네트워크(RPN, Region Proposal Network)를 적용하여 추출된 기능 맵을 후보 영역으로 추정하여 객체를 인식한다[11]. 이전의 모든 CNN 모델과 비교하여, 기능 맵 추출 과정과 후보 영역 생성을 일련의 네트워크에서 수행하며, 기능 맵의 해상도가 입력 이미지의 해상도보다 낮기 때문에 계산량이 크게 감소하는 장점을 갖는다.

성능/효과

(2) v2에서 224 × 224 이미지로 분류기를 훈련시키고 적은 에포그를 사용하여 고해상도 분류기에 적용함에 따라 mAP 4% 향상을 보였다.
(4) v2는 26 × 26 해상도에서 이전 계층의 특징을 가져오는 통과(Pass-through) 계층이 추가되어, 저해상도와 고해상도의 특징을 연관시켜준다, 인접 특징을 다른 채널로 배치하여 mAP 1% 향상을 보였다.
(5) v2은 사전 식별을 위해 일련의 경계 박스에서 k-means 클러스터링을 수행하여 개선 효과를 보였다. (6) 제한된 위치 예측을 극복하기 위해 다차원 클러스터링을 통해 경계 박스 중심 위치를 직접 예측하여 v2에서 mAP 5% 향상을 보였다. (7) v2에서는 입력 이미지 크기를 반복적으로 다중-스케일 훈련을 시키고 동일한 네트워크에서 서로 다른 이미지 해상도에 대한 검출 예측을 통해 작은 크기 이미지에서 보다 빠르고 정확한 성능을 보였다.
COCO 데이터셋[]에서 YOLO v3의 mAP 매트릭스는 SSD(Single Shot Multi-box Detector)의 편차를 보이지만 속도 측면에서 3배 수준으로 빠름을 보였으며, IOU = 0.5에서 기존 검출 매트릭스 맵과 비교하여 강인성을 보였다. 또한 다중-스케일 예측의 경우, YOLO v3가 비교적 높은 성능을 보였으며, 객체 검출을 위한 경계 박스 생성에서 다른 알고리즘보다 우수한 검출 성능을 보였다.
v3는 연속적인 3×3 과 1×1 콘볼루션 계층을 사용하며, 53개의 콘볼루션 계층을 사용하여 Darknet-53 이라 호칭한다. Darknet-53은 초당 높은 부동소수점 연산을 수행하며, GPU 활용성이 좋아 성능 효율성이 크게 향상 되었다. VOLO v3는 동등 성능에서 다른 객체 검출 알고리즘보다 훨씬 빠른 결과를 보였다.
Figure 12는 COCO 데이터셋을 대상으로 객체 검출 알고리즘에 대한 객체 추론시간을 보여준다. SSD 변형과 비슷한 성능에서 속도가 3배 정도 빠르고, RetinaNet 보다는 약간 성능이 떨어지는 것으로 나타났다. 그러나 AP50 수준에서는 YOLO v3가 가장 강력한 검출 도구임을 성능적으로 보였다.
Figure 11은 20개 클래스에서 배경과 지역화 오류(Localization Error)의 비율을 보여준다. 검출 객체에 대한 정확한 지역화에서 YOLO는 Fast R-CNN에 비해 2배 낮은 정확도를 보였다. 이에 비해 Fast R-CNN은 배경 오류가 상대적으로 높게 나타났다.
공용적으로 활용되는 PASCAL VOC 데이터셋에 대해, Fast YOLO가 가장 빠른 처리 속도를 보였으며, YOLO가 다른 버전에 비해 정확도 측면에서 우수한 결과를 보였다. 검출기들의 상대적 mAP와 속도에서 상호 트레드오프를 보이며, Fast YOLO가 mAP 52.7% 에서 다른 검출기 보다 2배 정확도를 보였고 YOLO는 실시간 성능을 유지하면서 mAP 66.4%를 보였다.
Table 4는 고속 검출기에 대한 속도와 성능을 비교하여 보여준다. 공용적으로 활용되는 PASCAL VOC 데이터셋에 대해, Fast YOLO가 가장 빠른 처리 속도를 보였으며, YOLO가 다른 버전에 비해 정확도 측면에서 우수한 결과를 보였다. 검출기들의 상대적 mAP와 속도에서 상호 트레드오프를 보이며, Fast YOLO가 mAP 52.
5에서 기존 검출 매트릭스 맵과 비교하여 강인성을 보였다. 또한 다중-스케일 예측의 경우, YOLO v3가 비교적 높은 성능을 보였으며, 객체 검출을 위한 경계 박스 생성에서 다른 알고리즘보다 우수한 검출 성능을 보였다. Table 3은 YOLO v3의 성능을 요약하여 보여준다.
Table 2에서 v1과 v2의 성능을 비교하였으며, 설계 변화를 통해 mAP에서 성능 향상을 보였다. 이를 통해, (1) 모든 콘볼루션 계층에 일괄 정규화를 포함시켜 대략 2%의 mAP 개선 효과를 보였다. (2) v2에서 224 × 224 이미지로 분류기를 훈련시키고 적은 에포그를 사용하여 고해상도 분류기에 적용함에 따라 mAP 4% 향상을 보였다.
Figure 13은 동일한 조건에서 실험을 통해 검출 정확도 대비 처리 시간을 비교하였다. 훈련 시간과 정확도에 따라, R-FCN과 SSD는 훈련에 소요되는 시간이 상대적으로 적었지만 낮은 정확도를 보였으며, Faster R-CNN은 높은 정확도를 보이지만 훈련시간이 많이 소요되는 단점을 보였다.

후속연구

여러 검출기의 알고리즘 구조 외에, 머신 러닝의 중요한 이슈는 데이터셋의 범위라 할 수 있다. 적절한 훈련 데이터의 가용성은 응용프로그램에서 중요한 과정이 되며, 이에 대한 적절성 판별도 알고리즘과 함께 연구되어야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	YOLO(You Only Look Once)는 무엇인가?	객체 검출에 대한 다른 접근법으로 YOLO(You Only Look Once)가 있다[15]. 이미지 내에 존재하는 객체와 해당 객체의 위치는 이미지를 한번만 보고 예측할 수 있는 알고리즘이다. 이는 분류 대상의 객체로 감지하는 대신에, 경계 박스를 다차원적으로 분리하고 클래스 확률(Class Probability)을 적용하여 하나의 회귀 문제로 접근한다.
	YOLO(You Only Look Once)과 다른 객체 검출 알고리즘과 비교하여 어떤 이점이 있는가?	YOLO는 통합된 객체 검출 모델로써, CNN과 비교하여 구성이 간단하고 전체 이미지를 직접 학습하여 실제 응용 프로그램에서 활용 가능하 기에 적합한 것으로 보인다. 다른 분류기 기반의 접근 방법과 달리, YOLO는 검출 성능에 직접적으로 대응하는 손실 함수에 대해 훈련하고 처리시간 측면에서 실시간 객체 검출이 가능하다. 또한 YOLO는 다른 검출기에 비해 객체 표현을 보다 일반화하여 빠르고 강력한 검출이 가능하다. 이러한 여러 장점을 통해 객체 검출에서 보다 대중화될 가능성이 높다고 판정된다.
	객체 검출 기술에는 무엇이 있는가?	초기의 객체 검출 기술은 SIFT(Scale Invariant Feature Transform) [6], SURF(Speeded-Up Robust Features) [9], HOG(Histogram of Oriented Gradients) [14]기법과 같이 객체가 갖는 특징을 설계하고 검출하는 방법을 주로 사용하였으며[26], 인식률 향상을 위해 SVM(Support Vector Machine)과 같은 기계 학습 방법을 적용한 연구도 있었다[22, 30]. Alex 논문[10]에서는 콘볼루션 신경망(CNN)를 적용한 딥러닝 (Deep Learning) 기반의 객체 인식을 통해 기존 방식의 성능을 개선하는 방법을 제안하였다.

참고문헌 (30)

Asifullah Khan, Anabia Sohail, Umme Zahoora, Aqsa Saeed Qureshi, "A Survey of the Recent Architectures of Deep Convolutional Neural Networks", Computer Vision and Pattern Recognition, Available at https://arxiv.org/ftp/arxiv/papers/1901/1901.06032.pdf [Accessed Mar. 13, 2020].
Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik, "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation", IEEE Conference on Computer Vision and Pattern Recognition, pp.580-587, 2013.
Li Liu, Wanli Ouyang, Xiaogang Wang, Paul Fieguth, Jie Chen, Xinwang Liu, Matti Pietikainen, "Deep Learning for Generic Object Detection: A Survey", International Journal of Computer Vision, vol.128, pp.261-318 2020.

상세보기
Kaimin He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition", European Conference on Computer Vision, Part 3, pp.346-361, 2014.
Licheng Jiao, Fan Zhang, Fang Liu, Shuyuan Yang, Lingling Li, Zhizi Feng, Rong Qu, "A Survey of Deep Learning-based Object Detection", IEEE Access, vol.7, pp.128837-128868, , 2019.

상세보기
David G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints", International Journal of Computer Vision, vol.60, pp.91-110, 2004.

상세보기
Juan Du, "Understanding of Object Detection based on CNN Family and YOLO", Journal of Physics, Conference Series, vol.1004, issue.1, 2018.
Tsung-Yi Lin, Priya Goyal, Roos Girshick, Kaiming He, Piotr Dollar, "Focal Loss for Dense Object Detection", International Conference on Computer Vision, pp.2999-3007, 2017.
Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc Van Gool, "Speeded-Up Robust Features (SURF)", Computer Vision and Image Understanding, vol.110, issue.3, pp.346-359, 2008.

상세보기
Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", Communications of the ACM, vol.60, no.6, 2017.

상세보기
Yurong Yang, Huajun Gong, Xinhua Wang, Peng Sun, "Aerial Target Tracking Algorithm Based on Faster RCNN Combined with Frame Differencing", Aerospace, vol.4, no.32, 2017.
Kwanghyun Kim, Sungjun Hong, Baehoon Choi and Euntai Kim, "Probabilistic Ship Detection and Classification using Deep Learning", Applied Sciences, vol.8, no.6, 2018.
Rohith Gandhi, "R-CNN, Fast R-CNN, Faster R-CNN, YOLO - Object Detection Algorithms," 2018. Available at https://towardsdatascience.com/r-cnn-fast-r-cnn-fasterr-cnn-yolo-object-detection-algorithms-36d53571365e. [Accessed: Mar. 13, 2020].
N. Dalal, B. Triggs, "Histograms of Oriented Gradients for Human Detection", IEEE Conference on Computer Vision and Pattern Recognition, pp.886-893, 2005.
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, "You Only Look Once: Unified, Real-time Object Detection", IEEE Conference on Computer Vision and Pattern Recognition, pp.779-788, 2015.
Joseph Redmon, Ali Farhadi, "YOLO9000: Better, Faster, Stronger", IEEE Conference on Computer Vision and Pattern Recognition, pp.6517-6525, 2016.
Joseph Redmon, Ali Farhadi, "YOLO v3: An Incremental Improvement", Computer Vision and Pattern Recognition, 2018. Available at https://pjreddie.com/media/files/papers/YOLOv3.pdf [Accessed Mar.13, 2020].
Qi-Chao Mao, Hong-Mei Sun, Yan-Bo Liu, Rui-Sheng Jia, "Mini-YOLOv3: Real-time Object Detector for Embedded Applications", IEEE Access, vol.7, pp.133529-133538, 2019.

상세보기
Adrian Carrio, Sai Vemprala, Andres Ripoll, Srikanth Saripalli, Pascual Campoy, "Drone Detection using Depth Maps", International Conference on Intelligent Robots and Systems, pp.1032-1037, 2018.
University of Oxford, "Pascal Visual Object Classes Homepage", Available at http://host.robots.ox.ac.uk/ pascal/VOC/index.html [Accessed: Mar.13, 2020].
Jonathan Huang, Vivek Rathod, Chen Sun, Menglong Zhu, Anoop Korattikara, "Speed/Accuracy Trade-offs for Modern Convolutional Object Detectors", IEEE Conference on Computer Vision and Pattern Recognition, pp.7310-7319, 2017.
Pedro F. Felzenszwalb, Ross B. Girshick, David McAllester, Deva Ramanan, "Object Detection with Discriminatively Trained Part-based Models", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.32, issue.9, 2010.

상세보기
Ali Sharif Razavian, Hossein Azizpour, Josephine Sullivan, Stefan Carlsson, "CNN Features Off-the-Shelf: An Astounding Baseline for Recognition", IEEE Conference on Computer Vision and Pattern Recognition, pp.512-519, 2014.
Ross Girshick, "Fast R-CNN", Computer Vision and Pattern Recognition, pp.1440-1448, 2015.
Hyochang Ahn, Yong-Hwan Lee, "A Research of CNNbased Object Detection for Multiple Object Tracking in Image", Journal of the Semiconductor and Display Technology, vol.18, no.3, 2019.
Yong-Hwan Lee, Youngseop Kim, "Implementation of Object Feature Extraction within Image for Object Tracking", Journal of the Semiconductor and Display Technology, vol.17, no.3, 2018.
Rahul Haridas, Jyothi RL, "Convolutional Neural Networks: A Comprehensive Survey", International Journal of Applied Engineering Research, vol.14, no.3, pp.780-789, 2019.
Akshi Kumar, Sukriti Verma, Himanshu Mangla, "A Survey of Deep Learning Techniques in Speed Recognition", International Conference on Advances in Computing, Communication Control and Networking, pp.179-185, 2018.
M. Sornam, Kavitha Muthusubash, V. Vanitha, "A Survey on Image Classification and Activity Recognition using Deep Convolutional Neural Network Architecture", International Conference on Advanced Computing, pp.121-126, 2017.
Azeddine Elhasouny, Florentin Smarandache, "Trends in deep convolutional neural networks architectures: a review", International Conference of Computer Science and Renewable Energies, pp.1-8, 2019.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증