Research on Lightweighting Deep Learning Models for Object detection = 객체 탐지를 위한 경량화 딥러닝 모델 연구

국문 초록 (Abstract)

객체 탐지를 위한 경량화 딥러닝 모델 연구 왕흠요 지도교수: 김판구 컴퓨터공학과 조선대학교 대학원 조류 탐지는 생태 보전, 항공 안전, 그리고 농업 분야에서 매우 중요한 과제이다. 비록 YOLOv8이 일반 객체 검출에서 유망한 성능을 보이고 있지만, 조류와 같이 규모 변동이 크고 밀도가 높은 장면에서는 C2f 모듈, PAFPN 넥(neck), 그리고 디커 플드 헤드(decoupled head)가 최적의 성능을 발휘하지 못한다. 이러한 문제를 해결하 기 위해 본 연구에서는 세 가지 혁신을 포함한 경량 네트워크인 MAGL-YOLO를 제안한다. 첫째, MAFRBlock은 다중 경로(radial) 합성과 적응적 게이팅(adaptive gating)을 통해 비선형 특징 인코딩을 강화한다. 둘째, GFPNEF는 재파라미터화된 MFIB 블록을 이용한 향상된 피라미드 융합을 통해, 최소한의 계산 오버헤드로 다 중 스케일 의미 정보를 유지한다. 셋째, LSCSBND는 레벨별 배치 정규화(level-wise batch normalization)를 적용한 공유 합성곱 기반 탐지 헤드로, 매개변수 수를 26% 절감한다. 광범위한 실험 결과, Only Bird 및 PASCAL VOC2012 데이터셋에서 MAGL-YOLO는 각각 85.23% mAP50과 60.12% mAP50을 달성하였으며, 이는 YOLOv8 대비 각각 3.26% 및 4.26% 향상된 성능이다. 또한 본 모델은 2.8M 매개변 수와 7.3 GFLOPs만을 유지하여 효율성을 입증하였다.

목차 (Table of Contents)

• Ⅰ. INTRODUCTION 1
• A. Research Background and Significance 1
• B. Current Research Status of Bird Object Detection Methods 1
• C. Core Contributions 4
• Ⅱ. RELATED WORK 6
• A. Object Detection Algorithms 6
• B. Feature Fusion Networks: From General to Bird-Specific 9
• Ⅲ. METHODOLOGY 11
• A. Multi-path Adaptive Feature Extraction Block with Radial Convolution (MAFRBlock) 13
• B. Global Feature Pyramid Network with Enhanced Fusion (GFPNEF) 15
• C. Lightweight Shared Convolutional with Separate Batch Normalization Detection Head (LSCSBND) 17
• Ⅳ. EXPERIMENTAL RESULTS 19
• A. Datasets Introduction 19
• B. Experimental Environment and Parameter Settings 20
• C. Ablation Experiments 22
• D. Comparative Experiments 27
• E. Generalization Experiments 30
• F. Visualization Analysis 33
• Ⅴ. CONCLUSION 38
• References 41