YolovN-CBi: 소형 무인 항공기(UAV)의 실시간 검출을 위한 경량화되고 효율적인 아키텍처
YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs
흔히 드론으로 알려진 무인 항공기(UAV)는 민간 및 국방 환경에서 증가하는 위험을 초래하고 있어, 정확하고 실시간으로 작동하는 드론 검출 시스템이 요구됩니다. 그러나 드론은 크기가 작고 움직임이 빠르며 시각적 대비가 낮아 검출하기 어렵습니다. 본 논문에서는 소형 객체 검출에 대한 민감도를 향상시키기 위해 Convolutional Block Attention Module(CBAM)과 Bidirectional Feature Pyramid Network(BiFPN)을 통합한 YolovN의 수정된 아키텍처인 YolovN-CBi를 제안합니다. 다양한 비행 물체로 구성된 28,000장의 엄선된 학습(training) 데이터셋(dataset)을 구축하였으며, 매우 작은 드론 객체로 구성된 2,500장의 자체 테스트 데이터셋을 수집했습니다. 제안된 아키텍처는 자체 테스트 데이터셋을 포함한 4개의 벤치마크 데이터셋에서 평가(evaluation)되었습니다. 기준선(baseline)인 Yolov5와 제안된 Yolov5-CBi 아키텍처는 소형 객체 검출을 위한 속도-정확도 트레이드오프에서 Yolov8 및 Yolov12를 포함한 최신 YOLO 버전들보다 우수한 성능을 보였습니다. 또한 CBAM과 BiFPN의 배치 및 활용 방식을 달리한 제안된 CBi 아키텍처의 다른 네 가지 변형도 제안 및 평가되었습니다. 이러한 변형들은 Yolov5m-CBi 교사 모델(teacher)과 Yolov5n-CBi 학생 모델(student)을 활용하는 지식 증류(knowledge distillation) 기법을 통해 엣지 배포(edge deployment)에 적합하도록 추가로 증류되었습니다. 지식 증류된 모델은 0.6573의 [email omitted]:0.9를 달성하여 교사 모델의 점수 0.6171 대비 6.51% 향상을 보여주었으며, 증류 과정의 효과성을 입증했습니다. 증류된 모델은 기준선 모델보다 82.9% 더 빨라 실시간 드론 검출에 더욱 적합합니다. 이러한 연구 결과는 제안된 CBi 아키텍처와 증류된 경량 모델이 소형 UAV의 효율적이고 정확한 실시간 검출을 발전시키는 데 효과적임을 강조합니다.