Exponentially Weighted Instance-Aware Repeat Factor Sampling for Long-Tailed Object Detection Model Training in Unmanned Aerial Vehicles Surveillance Scenarios
Created by
Haebom
저자
Taufiq Ahmed, Abhishek Kumar, Constantino Alvarez Casado, Anlan Zhang, Tuomo Hanninen, Lauri Loven, Miguel Bordallo Lopez, Sasu Tarkoma
개요
본 논문은 객체 탐지 모델에서 나타나는 클래스 불균형 문제를 해결하기 위해 기존의 Repeat Factor Sampling (RFS) 및 Instance-Aware Repeat Factor Sampling (IRFS) 방법을 개선한 Exponentially Weighted Instance-Aware Repeat Factor Sampling (E-IRFS) 기법을 제안합니다. E-IRFS는 이미지와 인스턴스 빈도의 기하 평균에 지수 함수를 적용하여 희귀 클래스와 빈번한 클래스 간의 차이를 더 효과적으로 반영하는 샘플링 전략을 사용합니다. Fireman-UAV-RGBT 데이터셋과 다른 네 개의 공개 데이터셋을 사용하여 YOLOv11 모델 기반의 실험을 통해 E-IRFS가 기존 방법들보다 희귀 클래스의 탐지 성능을 22% 향상시키는 것을 확인하였으며, 특히 용량이 제한적인 경량 모델에서 효과가 더 크다는 것을 보였습니다. 이는 자원 제약 환경, 특히 UAV 기반 응급 모니터링과 같은 실시간 애플리케이션에 적합한 해결책임을 시사합니다.
시사점, 한계점
•
시사점:
◦
지수 가중치를 활용한 샘플링 전략(E-IRFS)이 기존 선형 가중치 기반 방법들보다 긴 꼬리 분포를 갖는 클래스 불균형 문제 해결에 더 효과적임을 보임.
◦
특히 경량 모델에서 클래스 불균형 문제 해결에 큰 효과를 보여, 자원 제약 환경에서의 실시간 객체 탐지 성능 향상에 기여.
◦
희귀 객체 탐지 성능을 22% 향상시켜 UAV 기반 응급 모니터링 등의 실제 응용 분야에 적용 가능성을 높임.
•
한계점:
◦
제안된 E-IRFS 기법의 효과가 특정 데이터셋과 모델 (YOLOv11)에 국한되어 일반화 가능성에 대한 추가 연구 필요.
◦
다른 객체 탐지 모델이나 다양한 클래스 불균형 문제에 대한 E-IRFS의 성능 평가가 추가적으로 필요.
