[논문리뷰] Deep Learning-Based Object Detection and Scene Perception under Bad Weather Conditions

Abtract

날씨 상황이 좋지 않을 때(비, 안개 등) 도시 거리에서 Object Detection을 real-time에서 수행할 수 있음을 보여주는 논문이다. 이때 저자는 YOLO V5 모델을 사용하여 진행하였고, Roboflow 데이터셋을 사용함.

Introduction

Smart city의 기반 확립을 위해서는 Autonomous Vehicle, Smart-Surveillance 등이 핵심이다. 이때 Smart-Surveillance는 vehicle count, vehicle classification, vehicle tracking 등의 정보를 담고 있다.
지금까지 많은 연구들이 Object recognition technique 등을 제시하였는데, 그 중에서 가장 많은 접근 방식은 다음과 같다. Manual, semi-automated, or fully-automated이다.
객체에 관한 정보를 수집하는 가장 전통적인 방식은 manual 혹은 semi-automated 방식이다.

Manual approach

manual 방식의 경우 사람이 직접 걸어가거나 느린 이동수단을 타고서 직접 객체를 관찰한다. 따라서 시간 측면에서 상당한 cost가 발생하는 단점과 주관이 개입될 위험성이 존재한다.

Semi-automated apporoach

semi-automated 방식의 경우 safety 측면에서는 향상되었으나, 역시 real-time에 수행되지 못한다.

Fully-automated apporoach

Fully-automated 방식은 차량에 laser scanner나 LiDAR camera와 같은 센서를 부착하여 object detection을 진행한다.

Materials and Methods

Proposed Scheme

Advanced 버전 YOLOv5 알고리즘이 사용되었는데, data loader를 통해서 각 training data를 각각의 배치 사이즈로 보내는 동시에 data를 improving한다.

다음은 대략적인 workflow를 나타내는 그림이다.

Testing and Validation Using Simulated Datasets

본 모델은 두 가지 시나리오인 1)비가 올 때, 2)비가 안 올 때 에 대해서 모델을 test하고 validate하는 과정을 거쳤다.

Performance and Evaluation

해당 모델은 모델을 학습 중에 early stopping함으로써 최적의 weights를 선택했다.
본 논문은 오직 두 가지 시나리오에 대해서만 학습을 진행시켰기 때문에 또 다른 Bad Weather 상황에서는 최적이 아닐 수 있다.

Conclusions

본 연구는 YOLOv5 모델을 업그레이드하여 실시간 도로 교통 관리 시스템을 제공한다.