소형 객체 탐지를 위한 YOLOv12의 아키텍처 최적화 및 NWD 기반 복합 손실 함수 구현

Q: 이 논문에서 정의한 NWD란 무엇인가?

바운딩 박스를 2차원 가우시안 분포로 모델링하여 Wasserstein 거리를 통해 두 분포 간의 유사도를 계산하는 방식이다. 크기 불변성을 제공하여 소형 객체 탐지 시 픽셀 단위의 미세한 오차로 인해 그래디언트가 소실되는 문제를 해결하고 학습 안정성을 확보한다.

Q: 드론 영상의 소형 객체 탐지 성능을 높이기 위한 최적의 방법은 무엇인가?

연구 결과, P2 헤드 추가 및 P5 헤드 제거를 통한 구조적 최적화와 NWD-CIoU 복합 손실 함수를 결합하는 것이 가장 효과적이다. 이러한 구조 개선이 선행될 때 NWD의 잠재력이 극대화되어 베이스라인 대비 AP50 성능이 9.1%p 향상되었다.

최승휘; 정휘건; 배창훈; 박성욱; 심춘보; 정세훈

doi:10.9717/kmms.2026.29.3.601

추천

검색

질문

자료유형: 학술저널

저자정보: 최승휘 (국립순천대학교) 정휘건 (국립순천대학교) 배창훈 박성욱 심춘보 (국립순천대학교) 정세훈 (국립순천대학교)

저널정보: 한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제29권 제3호

발행연도: 2026.3

수록면: 601 - 610 (10page)

DOI: 10.9717/kmms.2026.29.3.601

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Object detection in drone imagery faces challenges due to information loss during down-sampling and the prevalence of tiny objects. To address these issues, this paper proposes an improved YOLOv12s model optimized for aerial environments through structural redesign and loss function optimization. First, we reorganized the detection architecture to P2-P3-P4 by adding a high-resolution P2 head and removing the P5 head, while enhancing both the backbone and neck networks to preserve the spatial information of small objects. Second, we introduced a hybrid loss function combining NWD(Normalized Wasserstein Distance) and CIoU(Complete Intersection over Union) to mitigate gradient instability and ensure precise localization. Experiments on the VisDrone2019 dataset demonstrate that the proposed structural improvements are essential for maximizing the potential of the NWD loss function. The proposed model improved the AP50 from 28.0% to 37.1% and the Recall from 30.4% to 37.4% over the baseline, confirming its effectiveness in resolving the missed detection problem in drone surveillance.

#Small Object Detection #YOLOv12 #Loss Function #Structural Optimization

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)