Effects of Real-Life Traffic Sign Alteration on YOLOv7- an Object Recognition Model

要約

画像処理の普及により、物体認識 (OR) モデルがさまざまなアプリケーションにわたって重要な役割を担うようになり、AI の力が実証され、重要なサービスが可能になりました。
アプリケーションの中でも、交通標識認識は自動運転車の開発における重要な重要性を考慮して、人気のある研究テーマとして際立っています。
その重要性にもかかわらず、交通標識の変更などの現実世界の課題は、OR モデルのパフォーマンスに悪影響を与える可能性があります。
この研究では、公的に利用可能なデータセットを使用して、形状、色、内容、視認性、角度、背景の変更を導入し、変更された交通標識が物体認識の精度と有効性に及ぼす影響を調査しています。
YOLOv7 (You Only Look Once) モデルに焦点を当てた研究では、変更された交通標識など、異常な状況の交通標識に直面した場合、検出と分類の精度が著​​しく低下することが実証されています。
特に、この研究で調査された変更は無害な例であり、敵対的な機械学習サンプルを生成するために使用されるアルゴリズムは含まれていません。
この研究は、現実のシナリオにおける物体検出モデルの堅牢性を強化することの重要性と、その精度と信頼性を向上させるためにこの分野でのさらなる研究の必要性を強調しています。

要約(オリジナル)

The widespread adoption of Image Processing has propelled Object Recognition (OR) models into essential roles across various applications, demonstrating the power of AI and enabling crucial services. Among the applications, traffic sign recognition stands out as a popular research topic, given its critical significance in the development of autonomous vehicles. Despite their significance, real-world challenges, such as alterations to traffic signs, can negatively impact the performance of OR models. This study investigates the influence of altered traffic signs on the accuracy and effectiveness of object recognition, employing a publicly available dataset to introduce alterations in shape, color, content, visibility, angles and background. Focusing on the YOLOv7 (You Only Look Once) model, the study demonstrates a notable decline in detection and classification accuracy when confronted with traffic signs in unusual conditions including the altered traffic signs. Notably, the alterations explored in this study are benign examples and do not involve algorithms used for generating adversarial machine learning samples. This study highlights the significance of enhancing the robustness of object detection models in real-life scenarios and the need for further investigation in this area to improve their accuracy and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google