심층 신경망을 통한 교통 표지 탐지 시스템의 평가

교통 표지 탐지 시스템은 자율 주행 및 운전자 안전 및 보조와 같은 최신 실세계 응용 분야에서 핵심적인 구성 요소를 차지한다. 본 논문은 각각의 저자들이 기존에 개발한 다양한 특징 추출기(ResNet V1 50, ResNet V1 101, Inception V2, Inception ResNet V2, MobileNet V1, Darknet-19)와 결합된 여러 객체 탐지 시스템(Faster R-CNN, R-FCN, SSD, YOLO V2)의 최신 기술 동향을 분석한다. 우리는 전이 학습(transfer learning)을 통해 교통 표지 탐지 문제 영역에 맞게 수정 및 특화된 객체 탐지 모델의 특성을 탐구하는 것을 목표로 한다. 특히, Microsoft COCO 데이터셋에서 사전 훈련된 다양한 공개 객체 탐지 모델을 독일 교통 표지 탐지 벤치마크(German Traffic Sign Detection Benchmark, GTSD) 데이터셋에 대해 미세 조정(fine-tuning)하였다. 이러한 모델들의 평가 및 비교는 평균 정밀도(mAP), 메모리 할당량, 실행 시간, 부동소수점 연산 횟수, 모델의 파라미터 수, 그리고 교통 표지 이미지 크기의 영향과 같은 핵심 지표를 포함한다. 연구 결과, Faster R-CNN + Inception ResNet V2가 가장 높은 mAP 성능을 기록하였으며, R-FCN + ResNet 101은 정확도와 실행 시간 사이의 최적의 균형을 이루었다. YOLO V2와 SSD + MobileNet은 각각 독특한 장점을 지니고 있다. YOLO V2는 경쟁 수준의 정확도를 달성하면서도 두 번째로 빠른 탐지 속도를 보였고, SSD + MobileNet은 가장 빠르고 메모리 소비가 가장 적은 경량 모델로서, 모바일 및 임베디드 장치에의 배포에 최적의 선택으로 평가되었다.