📌 핵심 요약 (Key Takeaways)
- 핵심 성과 1: KITTI 벤치마크에서 정밀도(P) 94.5%, 재현율(R) 92.0%, mAP50 95.7% 달성 (기존 YOLO11 대비 mAP50 1.6%p 향상)
- 독창적 차별점 2: C3K2_EMA 모듈, P2 고해상도 브랜치, LSCD 및 SlideLoss 도입으로 극소형 및 차폐 객체 감지 최적화
- 실무 파급력 3: 자율주행 및 실시간 모바일 엣지 디바이스 환경에서 전 스케일 객체 감지의 신뢰성 대폭 제고
1. 서론: 복잡한 교통 환경에서의 객체 감지 한계와 연구 배경
자율주행 시스템과 첨단 운전자 보조 시스템(ADAS)은 주행 경로 상의 다양한 크기의 객체를 실시간으로 식별해야 하는 엄격한 요구사항을 마주하고 있습니다. 그러나 도심지 및 복잡한 교통 환경에서는 원거리의 극소형 객체, 부분적으로 차폐된 보행자, 그리고 서로 다른 스케일을 가진 차량들이 공존함에 따라 기존 단일 모델 기반의 감지 알고리즘은 높은 미검출률과 특징 추출의 불균형 문제를 노출해 왔습니다.
본 연구에서 제안하는 EPLS-YOLO는 최신 YOLO11 프레임워크를 기반으로 하되, 복잡한 스케일 변동성과 특징 소실 문제를 구조적으로 해결하기 위해 설계된 개선된 멀티스케일 객체 감지 모델입니다. 특히 데이터셋의 재구성부터 백본 네트워크 개량, 고해상도 브랜치 추가, 손실 함수의 혁신에 이르기까지 전천후 퍼셉션 성능 확보에 초점을 맞추고 있습니다.
2. EPLS-YOLO의 아키텍처 및 핵심 메커니즘
EPLS-YOLO는 크게 데이터셋 전처리 고도화, 백본 네트워크 어텐션 강화, 고해상도 검출 브랜치 도입, 그리고 동적 가중치 손실 함수의 네 가지 핵심 축으로 구성됩니다. 첫째로, KITTI 데이터셋을 ‘Car, Van, Truck, Pedestrian, Cyclist, Tram’의 6개 표준 클래스로 재분류하고 Mosaic 및 무작위 변환 데이터 증강을 적용하여 샘플 다양성을 확보했습니다.
둘째로, 백본 네트워크 내 C3K2 모듈에 효율적인 멀티스케일 어텐션(EMA, Efficient Multi-Scale Attention)을 결합한 C3K2_EMA 모듈을 채택하였습니다. 이를 통해 소형 및 차폐 객체에 대한 미세 입자(Fine-grained) 특징 표현력을 극대화합니다. 셋째로, 극소형 객체의 스케일을 커버하기 위해 P2 고해상도 검출 브랜치를 추가하고, 얕은 층과 깊은 층의 멀티스케일 특징을 효율적으로 융합하는 경량 공유 합성곱 검출 헤드(LSCD)를 설계했습니다.
마지막으로, 기존의 불균형한 샘플 학습 문제를 완화하기 위해 IoU(Intersection over Union) 기반으로 샘플 학습 가중치를 동적으로 할당하는 SlideLoss 함수를 도입했습니다. 이 손실 함수는 학습 과정에서 어려운 샘플과 쉬운 샘플 간의 그라디언트 충돌을 조율하여 전체적인 학습 안정성과 수렴 속도를 동시에 개선합니다.
3. 실험 결과 및 성능 검증
KITTI 벤치마크 테스트 결과, EPLS-YOLO는 정밀도(P) 94.5%, 재현율(R) 92.0%, mAP50 95.7%를 기록하며 원본 YOLO11 모델 대비 각각 0.7%, 3.0%, 1.6% 포인트 향상된 성능을 입증했습니다. 특히 소형 객체 감지 영역에서 현저한 성능 개선이 관측되었으며, 이는 P2 브랜치와 C3K2_EMA의 시너지 효과에 기인합니다.
또한 RT-DETR, YOLOv8, YOLOv10, YOLOv12 등 주류 객체 감지 모델들과의 비교 실험에서도 전체적인 감지 정확도와 안정성 측면에서 우위를 점하며, 복잡한 실도로 환경에서의 상용화 가능성을 충분히 증명해 보였습니다.
4. 유사 선행 연구 대비 독창성 및 성능 비교
| 비교 항목 | 기존/유사 논문 방식 | 본 연구 제안 방식 (EPLS-YOLO) | 실무적 차별성 및 한계 |
|---|---|---|---|
| 스케일 처리 | 기본 YOLO 계열의 표준 피라미드 구조 (P3~P5) | P2 고해상도 브랜치 및 LSCD 헤드 결합 | 극소형 객체 미검출률 대폭 감소, 연산량 소폭 증가 |
| 어텐션 메커니즘 | 단순 CBAM 또는 SE 블록 적용 | C3K2_EMA 모듈 통합 | 차폐 및 세밀한 특징 표현력 강화에 탁월함 |
| 손실 함수 | CIoU 또는 GIoU 기반 고정 손실 | IoU 기반 동적 가중치 SlideLoss 도입 | 멀티스케일 샘플 불균형 해소 및 학습 안정화 |
| mAP50 성능 | 원래 YOLO11 대비 표준 수준 (약 94.1%) | 95.7% 달성 (+1.6%p 향상) | 실시간 에지 디바이스 적용 시 하드웨어 가속 검증 필요 |
5. 산업 현장 적용 포인트 및 파급 효과
본 연구에서 도출된 EPLS-YOLO 알고리즘은 자율주행 차량의 온디바이스 AI 비전 시스템뿐만 아니라, 지능형 교통 체계(ITS), 실시간 모바일 로보틱스 관제 시스템, 그리고 복잡한 도심 환경을 항해하는 무인이동체의 전방 시각 센서 처리 파이프라인에 직접적으로 적용될 수 있습니다.
특히 연산 자원이 제한된 임베디드 에지 NPU 환경에서 소형 객체 인식률을 극대화함으로써, 충돌 방지 및 안전 주행 제어 알고리즘의 신뢰성을 근본적으로 뒷받침하는 핵심 비전 소프트웨어 컴포넌트로 활용될 전망입니다.
출처: OpenAlex – EPLS‐YOLO: A Multi‐Scale Object Detection Method for Complex Traffic Scenarios