임베디드 실시간 객체 인식을 위한 Low-level Feature Aggregation 및 Attention 기반 검출 모델 개발

Low-level Feature Aggregation and Attention based Detection Model for Real-time Embedded Object Recognition

펼치기

자율 주행(Autonomous Driving) 환경에서 실시간 객체 인식과 정확한 객체 인식은 차량의 안전 주행을 위한 핵심 요소이다. 최근 One-stage Detector 기반의 경량화된 모델들은 실시간 객체 인식이가능하나 성능 면에서는 좋지 않은 결과를 보여왔다. 이에 본 논문에서는 YOLOv4-tiny 기반의 새로운 모델을 제안한다. 빠른 추론 속도는 유지하면서 성능 향상을 위해 본 논문에서는 3가지 기법을 적용한다. 첫 번째로는 작은 물체의 검출 성능을 높이기 위해 YOLO Head를 하나 더 추가하였다. 두 번째로는 Low-level의 특징들을 더 깊은 층으로 전달하기 위해 Low-level Feature Aggregation(LFA) 기법을 사용하였다. 그리고 세 번째로는 관심 객체의 특징에 더 집중할 수 있도록 Attention 모듈을 사용하였다. 안전 주행 및 주행 경로 안내를 위해 실제 차량 주행 영상에서의노면 마크(Roadmark)와 색깔 유도선(Colored-guideline)을 검출 대상으로 선정하였으며 Jetson Tx2 임베디드 환경에서 실험을 진행하였다. 그 결과 해당 환경에서 기존 방법 대비 가장 좋은 성능을 보임을 확인하였다.