메모: An Improved YOLOv8-Based Shallow Sea Creatures Object Detection Method
Fig.1 An Improved YOLOv8-Based Shallow Sea Creatures Object Detection Method
Published in: IEEE Journal of Oceanic Engineering ( Volume: 50, Issue: 2, April 2025)
Date of Publication: 21 March 2025
Introduction
Shallow sea 환경에서 motion blur나 객체가 군집을 이뤄 인식하기 어려운 상황을 바탕으로 YOLOv8을 개선한 연구.
receptive-field coordinate attention (RFCA)를 C2f 모듈에 통합하여 low-contrast하고 blurry한 image에서 feature extraction 및 feature fusion 능력을 향상시키며, DCNv2 를 DCNv3로 변경하여 clustered objects의 탐지를 향상시켰음.
검증은 detecting underwater objects, underwater robot professional competition 2020, underwater target detection and classification 2020 datasets 기반으로 다른 YOLO 버젼들과 mAP를 비교하였음.
Body
Related Works
수중 물체 탐지에 있어 one-stage, two-stage 각각 서술 후 two-stage의 문제들, efficiency와 실시간성 부족 서술 후에, YOLO로 대표되는 one-stage 시리즈의 small object detection의 어려움 및 low-quality image에서의 detection의 어려움에 관해 서술
YOLO 시리즈의 발전과 우수성에 대해 서술(YOLO기반으로 한 이유)
small object detection을 위한 attention mechanism 관련 자료 조사 서술
Method
A. Structure Diagram of Proposed Method
Backbone에서는 C2f 모듈을 그대로 유지함. C2f_RFCA는 backbone에서는 결과에 유의미한 차이는 없지만 FLOPs만 늘어남.
Neck에서는 모든 C2f를 C2f_RFCA로 대체함.
Head에서는 decoupled head를 DyHead3로 대체함.
B. C2f_RFCA: RFCA-Enhanced C2f Module for Optimized Feature Learning
기존의 YOLOv8의 구성 요소를 분석함. C2f 모듈의 설계와 특징을 확인하고, spatial attention mechanism, 즉 RFA와 RFCA 모듈을 적용하는 것에 대해 서술함. 특히 blurred image에 대해서는 grouped convolution이 object boundary 구분에 도움이 된다고 함.
C. Dynamic Head With DCNv3
Dynamic head [34]를 DCNv3 [35]와 결합하여 DyHead3을 제안함. 본 연구에서는 연산 방식을 고려하여 computational cost를 줄여 연산하는 방식을 고안한다. image의 3 dimension, 즉 layer, spatial dimension, channel 을 분리하여 연산함으로써 연산 코스트를 줄인다. 각각의 dimension에 대한 수식은 본문에 있다.
Leave a comment