로컬 그룹화 및 차별적 특징 어텐션 학습 기반의 조밀한 해충 카운팅 (Dense Pest Counting based on Local Grouping and Discriminative Feature Attention Learning)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 22권 / 10호 / 43 ~ 50페이지
· 저자명 : 손창환

초록

트랩에서 촬영된 해충 이미지는 해충이 조밀하게 분포하거나 군집을 형성하기 때문에 폐색 문제 및 다양한 포즈 변화를 야기한다. 이러한 걸림돌을 해결하기 위해서는 객체 영역과 배경 영역을 분리하여 로컬 특징의 구별력을 강화할 수 있는 어텐션 메커니즘을 설계하는 것이 필수적이다. 이를 위해 본 연구에서는 로컬 그룹화 및 스케일 유도 어텐션을 멀티스케일 센터넷 프레임워크에 통합하는 새로운 방안을 제시한다. 특히 스택 백본의 첫 번째에서 예측된 히트맵 정보, 즉 해충의 중심점을 활용하여 로컬 어텐션을 설계하는 방법을 제안한다. 실험을 통해 제안된 모델은 로컬 그룹화 및 차별적 특징 어텐션을 통해 특징 구별력을 향상하였고, 폐색 및 포즈 변화 문제를 극복하는 데 효과적인 것으로 입증되었다. 무엇보다 제안된 모델은 기존 객체 검출 기반 카운팅 모델보다 약 24.6%의 정확도 향상을 달성하였다.

영어초록

Pest images captured from traps cause occlusion problems and various pose changes because the pests are densely distributed or form clusters. To solve these obstacles, it is essential to model an attention mechanism that can enhance the discrimination of local features by separating the object region and the background region. To this end, in this study, we present a new model that integrates local grouping and scale-induced attention into a multi-scale CenterNet framework. In particular, we propose a method to model local attention by utilizing the predicted heatmap information, i.e., the center point of the pest, from the first stack backbone. Through experiments, the proposed model has been proven to be effective in improving feature discrimination through local grouping and discriminative feature attention modeling, and in overcoming occlusion and pose changes. Above all, the proposed model achieves an accuracy improvement of approximately 24.6% over the existing object detection-based counting model.

참고자료

· 없음