실시간 3차원 객체 검출을 위한 포인트 클라우드 기반 딥러닝 모델 경량화

• Published in: 한국정보통신학회논문지 Vol. 26; no. 9; pp. 1330 - 1339
• Main Authors: 김규민(Gyu-Min Kim), 백중환(Joong-Hwan Baek), 김희영(Hee Yeong Kim)
• Format: Journal Article
• Language: Korean
• Published: 한국정보통신학회 2022
• Subjects: 전자/정보통신공학; 포인트 클라우드; 3D Object Detection; Point Cloud; 딥러닝; Knowledge Distillation; Quantization; 3차원 객체 검출; 양자화; 지식 증류; Deep Learning; 3
• ISSN: 2234-4772; 2288-4165
• DOI: 10.6109/jkiice.2022.26.9.1330

3D object detection generally aims to detect relatively large data such as automobiles, buses, persons, furniture, etc, so it is vulnerable to small object detection. In addition, in an environment with limited resources such as embedded devices, it is difficult to apply the model because of the huge amount of computation. In this paper, the accuracy of small object detection was improved by focusing on local features using only one layer, and the inference speed was improved through the proposed knowledge distillation method from large pre-trained network to small network and adaptive quantization method according to the parameter size. The proposed model was evaluated using SUN RGB-D Val and self-made apple tree data set. Finally, it achieved the accuracy performance of 62.04% at mAP@0.25 and 47.1% at mAP@0.5, and the inference speed was 120.5 scenes per sec, showing a fast real-time processing speed. 3D 물체검출은 대체로 자동차, 버스, 사람, 가구 등과 같은 비교적 크기가 큰 데이터를 검출하는 것을 목표로 두어 작은 객체 검출에는 취약하다. 또한, 임베디드 기기와 같은 자원이 제한적인 환경에서는 방대한 연산량 때문에 모델의 적용이 어렵다. 본 논문에서는 1개의 레이어만을 사용하여 로컬 특징에 중점을 두어 작은 객체 검출의 정확도를 높였으며, 제안한 사전 학습된 큰 네트워크에서 작은 네트워크로의 지식 증류법과 파라미터 크기에 따른 적응적 양자화를 통해 추론 속도를 향상시켰다. 제안 모델은 SUN RGB-D Val 와 자체 제작한 모형 사과나무 데이터 셋을 이용하여 성능을 평가하였고 최종적으로 mAP@0.25에서 62.04%, mAP@0.5에서 47.1%의 정확도 성능을 보였으며, 추론 속도는 120.5 scenes per sec로 빠른 실시간 처리속도를 보였다.