클래스·환경 불균형 도로 교통 장애물 데이터 셋에 대한 객체 검출 모델의 성능 비교 연구 = Performance Comparison of Object Detection Models on a Road Traffic Obstacle Dataset with Class and Environment Imbalance

국문 초록 (Abstract)

고속도로에서 발생하는 낙하물을 지금보다 빠르고 효율적으로 발 견하고 수거하기 위해서 딥러닝에 기반한 객체 검출 모델을 도입해 야 하는 필요성이 제기되고 있다. 그러므로 본 연구에서는 Two-stage, One-Stage, Transformer 기 반 객체 검출 모델별로 대표 모델을 하나씩 선정하여 비교 대상 모 델로 하고 AI-Hub에서 제공하는 도로 장애물 데이터 셋을 공통으로 사용하여 전이 학습 후 모델의 성능을 mAP@[0.50, 0.95]와 FPS로 평 가하였다. 이 데이터 셋은 객체 클래스, 촬영 장소, 기상 조건, 촬영 시간 등 범주별로 불균형이 심하고 원본 train과 test 데이터 셋의 분포가 크게 다른 점이 특징이다. 유형별 대표 모델로 Faster R-CNN+FPN(Two-stage), YOLO v8l(One-stage), DINO(Transformer 기반)를 선정하고 동일 조건에서 전이 학습 후 평가한 결과 DINO의 mAP@[0.50, 0.95]가 가장 높은 성능을 보였으며 저빈도 클래스와 희소 범주에서도 다른 모델보다 우수하였다. DINO의 FPS는 YOLO v8l 및 Faster R-CNN+FPN 보다 낮지만 사람보다 충분히 빠르므로 고속도로 노면 낙하물 탐지를 위 한 기본 모델로 적합함을 확인하였다. 학습 데이터 셋의 클래스 불균형으로 모든 비교 대상 모델에서 특정 객체의 검출 정확도가 낮아지는 문제가 확인되었으므로 long-tailed learning 연구에서 제시되는 데이터 증강 및 re-sampling, 불균형 데이터에 특화된 손실 함수 설계 및 새로운 학습 방법 도입 을 조치 방안으로 제시하였으며, 고속도로 노면 낙하물같이 발생 특 성상 클래스 및 환경 불균형이 내재될 수 밖에 없는 데이터 셋의 구성과 주석 정보 처리 방법에 대한 개선 방향을 제시하였다.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 5
• 2.1 Two-stage 모델 5
• 2.2 One-stage 모델 11
• 2.3 Transformer 기반 모델 20
• 제3장 실험 방법 27
• 3.1 비교 모델 선정 27
• 3.2 데이터 셋 구성 29
• 3.3 전이 학습 설정 39
• 3.4 실험 환경 47
• 3.5 성능 지표 47
• 제4장 실험 결과 49
• 4.1 학습 시간 및 연산 비용 49
• 4.2 Training Loss 및 검증 mAP 50
• 4.3 Model Test 결과 분석 54
• 제5장 결론 64
• 5.1 Transformer 기반 모델의 장점 64
• 5.2 데이터 셋 구성 및 학습 방법 개선 67
• 참고문헌 71
• APPENDIX A (원본 데이터 셋의 클래스별 상세 내역) 78
• APPENDIX B (주요 Model hyper parameter 설정) 79
• ABSTRACT 86