[논문]멀티 테스크 CNN의 경량화 모델을 이용한 차량 및 차선의 동시 검출

신현식; 김형원; 홍상욱

doi:10.6109/jkiice.2022.26.3.367

[국내논문] 멀티 테스크 CNN의 경량화 모델을 이용한 차량 및 차선의 동시 검출
Concurrent Detection for Vehicles and Lanes Using Light-Weight Model of Multi-Task CNN 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.3, 2022년, pp.367 - 373

신현식 (College of Electrical & Computer Engineering, ChungBuk University) , 김형원 (College of Electrical & Computer Engineering, ChungBuk University) , 홍상욱 (College of Electrical & Computer Engineering, ChungBuk University)

초록
AI-Helper

딥러닝 기반 자율 주행 기술이 발전함에 따라 다양한 목적의 인공지능 모델이 연구되었다. 연구된 여러 모델들을 동시에 구동하여 자율주행 시스템을 개발한다. 그러나 동시에 인공지능 모델을 사용하면서 많은 하드웨어 자원 소비가 증가한다. 이를 해결하기 위해 본 논문은 백본 모델을 공유하며 다중 태스크를 고속으로 수행할 수 있는 Multi-Task CNN 모델을 제안한다. 이를 통해 AI모델을 사용하기 위한 백본 수의 증가를 해결할 수 있었습니다. 제안하는 CNN 모델은 기존 모델 대비 50% 이상 웨이트 파라미터 수를 감소시키며, 3배 이상의 FPS 속도를 향상시켰다. 또한, 차선인식은 Instance segmentation 기반으로 차선검출 및 차선별 Labeling을 모두 출력한다. 그러나 기존 모델에 비해 정확도가 감소하는 부분에 대해서는 추가적인 연구가 필요하다.

Abstract ▼ AI-Helper

As deep learning-based autonomous driving technology develops, artificial intelligence models for various purposes have been studied. Based on these studies, several models were used simultaneously to develop autonomous driving systems. It can occur by increasing hardware resource consumption. We propose a multi-tasks model using a shared backbone to solve this problem. This can solve the increase in the number of backbones for using AI models. As a result, in the proposed lightweight model, the model parameters could be reduced by more than 50% compared to the existing model, and the speed could be improved. In addition, each lane can be classified through lane detection using the instance segmentation method. However, further research is needed on the decrease in accuracy compared to the existing model.

Keyword

표/그림 (10)

그림 Fig. 1 Comparison each model which has backbone with shared backbone model
그림 Fig. 2 Overall architecture. It consists of shared backbone and Multi-Task branch : object detection and lane detection
그림 Fig. 3 Difference between semantic segmentation and instance segmentation in lane detection.
그림 Fig. 4 The number of parameters of YOLOP(Just Object Detection), Ultra-Fast-Lane-Detection and proposed model. It is assumed that the sum of parameters of YOLOP and UFLD is used in a situation where lane detection and vehicle detection are executed simultaneously.
표 Table. 1 Difference between Recall and mAP50 of the proposed CNN model with and without adaptation layer
그림 Fig. 5 Difference in lane detection results with and without augmentation.
그림 Fig. 6 Augmentation methods of rotation, horizontal shift and vertical shift.
표 Table. 2 Comparison of vehicle detection performance
그림 Fig. 7 Multi-Task Inference result (Vehicle detection and lane detection) of the proposal CNN model
표 Table. 3 Results of lane detection – Comparison of F1-measure. For crossroad, only false positives are shown.

참고문헌 (15)

R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 580-587, Jun. 2014.
R. Girshick, "Fast R-CNN," in Proceedings of the IEEE international conference on computer vision, pp. 1440-1448, Dec. 2015.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only look once: Unified, real-time object detection," in Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779-788, Dec. 2016.
X. Li, J. Li, X. Hu, and J. Yang, "Line-CNN: End-to-end traffic line detection with line proposal unit," IEEE Transactions on Intelligent Transportation Systems, vol. 21, iss. 1, pp. 248-258, Jan. 2019.

상세보기
L. Tabelini, R. Berriel, T. M. Paixao, C. Badue, A. F. De Souza, and T. Oliveira-Santos, "Keep your eyes on the lane: Real-time attention-guided lane detection," in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 294-302, Jun. 2021.
J. Su, C. Chen, K. Zhang, J. Luo, X. Wei, and X. Wei, "Structure Guided Lane Detection," in Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, pp. 997-1003, 2021.
D. Wu, M. Liao, W. Zhang, and X. Wang, "YOLOP: You Only Look Once for Panoptic Driving Perception," arXiv preprint arXiv:2108.11250, Feb. 2021.
Z. Qin, H. Wang, and X. Li, "Ultra fast structure-aware deep lane detection," in Computer Vision-ECCV 2020: 16th European Conference, Glasgow, UK, pp. 276-291, Aug. 2020.
A. Bochkovskiy, C. Y. Wang, and H. Y. M. Liao, "Yolov4: Optimal speed and accuracy of object detection," arXiv preprint arXiv:2004.10934, Apr. 2020.
M. Teichmann, M. Weber, M. Zollner, R. Cipolla, and R. Urtasun, "Multinet: Real-time joint semantic reasoning for autonomous driving," in 2018 IEEE Intelligent Vehicles Symposium (IV), pp. 1013-1020, Jun. 2018.
Y. Qian, J. M. Dolan, and M. Yang, "DLT-Net: Joint detection of drivable areas, lane lines, and traffic objects," IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 11, pp. 4670-4679, Dec. 2019.

상세보기
S. Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards real-time object detection with region proposal networks," Advances in neural information processing systems, vol. 28, pp. 91-99, 2015.
yolov5 [Internet]. Available: https://github.com/ultralytics/yolov5.
L. C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille, "Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFS," IEEE transactions on pattern analysis and machine intelligence, vol. 40, no. 4, pp. 834-848, Apr. 2017.

상세보기
X. Pan, J. Shi, P. Luo, X. Wang, and X. Tang , "Spatial as deep: Spatial CNN for traffic scene understanding," in Thirty- Second AAAI Conference on Artificial Intelligence, vol. 32, no. 1, Apr. 2018.

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