자동차 번호판 위치 인식을 위한 적대적 도메인 적응 모델 경량화 (Lightweight Adversarial Domain Adaptive Model for License Plate Detection)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 49권 / 1호 / 41 ~ 49페이지
· 저자명 : 조항재, 김정현, 전경구

초록

딥러닝을 활용한 자동차 번호판 위치 인식 기술은 자동차 번호판 인식 문제에서 매우 중요한 선행 작업이다.
그러나 딥러닝 모델의 특성상, 학습된 환경과 다른 환경에서 추론할 때 성능이 저하되는 문제가 존재한다. 이를해결하기 위해 적대적 도메인 적응 기술을 활용하여 성능을 향상시킬 수 있다. 하지만, 적대적 도메인 적응 기법을 RetinaNet에 적용한 DA(Domain Adaptation) RetinaNet 모델을 사용하여 실험한 결과, 사용된 자동차 번호판데이터의 크기가 모델 크기에 비해 작아서 성능 향상이 나타나지 않았다. 이러한 문제를 극복하기 위해 본 연구에서는 데이터 크기에 맞게 DA RetinaNet을 경량화하고 사전 학습을 활용하여 자동차 번호판 위치 인식 문제의 성능을 향상시키는 방법을 제안한다. 제안된 방법을 적용하면, 소스 도메인 데이터만을 사용하여 학습 후 타 도메인에서의 추론을 수행했을 때와 비교해 F1 Score 기준으로 최대 45% 향상 및 mAP@0.5 기준으로 최대 91% 향상을 달성할 수 있었다.

영어초록

The technology of car license plate location recognition using deep learning is a crucial prerequisite in solving the car license plate recognition problem. However, due to the inherent characteristics of deep learning models, there exists a challenge of performance degradation when making inferences in environments different from the ones they were trained on. To address this issue, performance can be enhanced by leveraging adversarial domain adaptation techniques. However, the experiments conducted using the DA (Domain Adaptation) RetinaNet model, which applied adversarial domain adaptation techniques to RetinaNet, revealed no performance improvement. This lack of improvement was attributed to the fact that the size of the car license plate data used was smaller compared to the model size. To overcome these challenges, this study proposes a method to enhance the performance of the car license plate location recognition problem by customizing DA RetinaNet to match the dataset size and utilizing pre-training. Applying the proposed method resulted in up to a 45% improvement based on the F1 Score and up to a 91% improvement based on mAP@0.5 compared to the performance achieved when only source domain data was used for training, and inference was conducted in other domains.

참고자료

· 없음