T-YOLO: Tiny Vehicle Detection auf Basis von YOLO und Multi-Scale Faltungsneuronalen Netzen

Um reale Probleme für verschiedene Anwendungen in intelligenten Städten zu lösen, beispielsweise die Erkennung der Belegung von Parkplätzen, ist eine Feinabstimmung tiefgehender neuronalen Netze erforderlich. Bei großen Parkanlagen ist es wünschenswert, eine zentralgeplante Kamera in großer Höhe einzusetzen, die durch ihre Sichtweite die gesamte Parkfläche oder einen großen Bereich mit nur einer Kamera überwachen kann. Die derzeit beliebtesten Objekterkennungsmodelle wie YOLO erreichen eine hohe Genauigkeit in Echtzeit. Wenn jedoch eigene Daten verwendet werden, die sich von den allgemein verwendeten Datensätzen wie COCO oder ImageNet unterscheiden, besteht erheblicher Verbesserungsspielraum. In diesem Artikel stellen wir ein modifiziertes, dennoch leichtgewichtiges tiefes Objekterkennungsmodell basierend auf der YOLO-v5-Architektur vor. Das vorgeschlagene Modell ist in der Lage, große, kleine und winzige Objekte zu erkennen. Insbesondere schlagen wir die Verwendung eines mehrskaligen Mechanismus vor, um tiefe, differenzierende Merkmalsrepräsentationen auf verschiedenen Skalen zu lernen und automatisch die für die Objekterkennung in einer Szene (im vorliegenden Fall Fahrzeuge) am besten geeigneten Skalen zu bestimmen. Das vorgeschlagene mehrskalige Modul reduziert die Anzahl der trainierbaren Parameter im Vergleich zur ursprünglichen YOLO-v5-Architektur. Die experimentellen Ergebnisse zeigen zudem eine erhebliche Verbesserung der Genauigkeit. Tatsächlich vermindert sich die Anzahl der Parameter von 7,28 Millionen im YOLO-v5-S-Profil auf 7,26 Millionen in unserem Modell. Zudem wurde die Erkennungsgeschwindigkeit um 30 fps im Vergleich zu den YOLO-v5-L/X-Profilen reduziert. Darüber hinaus verbessert sich die Erkennungsleistung für winzige Fahrzeuge im Vergleich zum YOLO-v5-X-Profil signifikant um 33 %.