Real-time Object Detection Network Based on Hybrid Attention

Abstract

객체 검출 은 단일 이미지에서 객체의 분류와 위 (Object detection) 치 추정을 동시에 하는 컴퓨터 영상처리의 한 분야이다 최근 보안 . , 자율주행 등 다양한 응용 분야에 활용된다 딥러닝의 급속한 발전과 . 함께 합성곱 신경망 기반 객체 검출기의 성능은 크게 향상하였다 딥. 러닝 기반 객체 검출기는 우수한 성능은 보이지만 학습에 사용하는 파 라미터 개수를 크게 줄이며 정확성을 향상시키는 것은 여전히 어려운 문제이다. 본 논문은 채널 포인트 혼합 강조 모듈이라는 플러그 플레이 (CPMA) , 하이브리드 강조 모듈을 제안한다 제안하는 모듈은 무시가 가능한 파 . 라미터 개수를 추가하여 검출 정확도를 약 향상하였다 또한 본 1.47% . 논문은 추론 속도를 크게 증가시키며 정확도를 향상하기 위해 새로운 경량화 객체 감출 네트워크를 제안한다. 산업 현장에서 가장 일반적으 로 사용되는 객체 검출 모델 와 YOLOv3 , 비교하여 제안하는 방법의 정 확도는 향상하며 성능이 3.56% , GPU 70.5% 낮은 환경에서 추론 속도가 향상 하였다. |Object detection is a classical computer vision task for determining the classification and localization of objects in a single image at the same time. Recently, it is used in a wide range of applications in people's lives, such as surveillance security and autonomous driving. With the rapid development of deep learning, the performance of object detectors based on convolutional neural networks has been significantly improved. Although deep-learning-based object detectors have achieved the great performance, it is still difficult to improve accuracy while significantly reducing the number of parameters. This thesis proposed a simple and plug-and-play hybrid attention module, called Channel and Point Mixing Attention (CPMA) module. This module can improve the accuracy of the detector by about 1.47% with the addition of nearly Ignored number of parameters. In addition, this paper proposes a new lightweight object detection network to improve the accuracy while significantly increasing the inference speed. Compared with the YOLOv3, which is the most generally used object detection model in industry, the accuracy of the proposed method is improved by 3.56%