Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

YOLOatr : Deep Learning Based Automatic Target Detection and Localization in Thermal Infrared Imagery

Created by
  • Haebom

저자

Aon Safdar, Usman Akram, Waseem Anwar, Basit Malik, Mian Ibad Ali

개요

본 논문은 방위 및 감시 분야에서 열화상(TI) 영상을 이용한 자동 표적 탐지(ATD) 및 인식(ATR)의 어려움을 다룹니다. 제한된 데이터셋, 도메인 특유의 과제(제한된 하드웨어, 거리에 따른 크기 불변성 문제, 전술 차량에 의한 의도적인 가림, 낮은 센서 해상도로 인한 표적의 구조 정보 부족, 날씨, 온도, 시간 변화의 영향, 표적 대 클러터 비율의 변화 등), 높은 클래스 내 변동성 및 높은 클래스 간 유사성으로 인해 실시간 ATR은 어려운 컴퓨터 비전 과제입니다. 기존 최첨단(SOTA) 심층 학습 아키텍처는 ATR 분야에서 성능이 저조합니다. 본 논문에서는 수정된 YOLOv5s를 기반으로, 검출 헤드, 목 부분의 특징 융합 및 사용자 지정 증강 프로필을 최적으로 수정한 수정된 앵커 기반 단일 단계 검출기인 YOLOatr을 제안합니다. 포괄적인 DSIAC MWIR 데이터셋을 사용하여 상관 및 비상관 테스트 프로토콜에서 실시간 ATR에 대한 제안된 모델의 성능을 평가했습니다. 결과는 제안된 모델이 최대 99.6%의 최첨단 ATR 성능을 달성함을 보여줍니다.

시사점, 한계점

시사점: YOLOatr이 열화상 기반 ATR에서 최첨단 성능을 달성함을 보여줌으로써, 방위 및 감시 분야의 실시간 표적 인식 기술 발전에 기여. 수정된 YOLOv5s 구조와 사용자 지정 증강 전략이 열화상 영상의 특수한 과제를 효과적으로 해결함을 시사.
한계점: 사용된 DSIAC MWIR 데이터셋의 특성에 대한 자세한 설명 부족. 다양한 환경 및 조건에서의 일반화 성능에 대한 추가적인 검증 필요. 다른 SOTA 모델과의 비교 분석이 더욱 상세하게 제시될 필요가 있음. 실제 운용 환경에서의 실시간 성능 평가 및 검증이 필요함.
👍