軽量バックボーンとマルチスケールアテンションによる効率的な交通シーン向けTransformer検出器
An Efficient Transformer Detector for Traffic Scenes via Lightweight Backbone and Multi-Scale Attention
自動運転システムの普及に伴い、交通シーンにおける物体検出は重要な課題となっている。本稿では、マルチスケールアテンション機構と軽量バックボーンネットワークに基づいた、交通シーン向けの効率的なエンドツーエンド検出器「Trans-DETR」を提案する。従来のCBAMが単一スケールの特徴しか捉えられないのに対し、提案手法ではマルチスケール畳み込みアテンション(MSCA)をクロススケール融合パスに組み込んだマルチスケールアテンションモジュール(MSAM)を導入し、マルチスケール特徴情報の効果的な抽出と検出精度の向上を実現する。また、軽量バックボーンネットワーク「LiteSNet」は、大きなカーネルを水平・垂直分離可能な畳み込みに分解し、膨張畳み込みを用いて受容野を広げることで、パラメータ数と計算量を大幅に削減しつつ、大きなカーネルと同等の受容野を維持する。さらに、再パラメータ化検出ヘッド「RepHead」は、クロスステージ部分接続と再パラメータ化技術を統合し、低レベル空間詳細と高レベル意味特徴を効率的に融合させ、小スケール交通ターゲットの検出能力を向上させる。KITTIデータセットでの実験では、mAP 89.8%を達成し、RT-DETR-Lを2.0%上回った。モデルサイズを57%、計算量を55.7%削減し、単一フレーム推論時間は4.6msであった。提案手法は、精度、効率、モデルのコンパクトさにおいて優れた性能を示し、自動運転システムの進歩に貢献する。
- 交通シーン向けの効率的なエンドツーエンド検出器「Trans-DETR」を提案(マルチスケールアテンション機構MSAMと軽量バックボーンLiteSNet、再パラメータ化検出ヘッドRepHeadを統合)
- KITTIデータセットでmAP 89.8%を達成し、RT-DETR-Lを2.0%上回った
- モデルサイズを57%、計算量を55.7%削減し、単一フレーム推論時間4.6msを実現
- 軽量バックボーン「LiteSNet」は大カーネルを水平・垂直分離可能な畳み込みに分解し、膨張畳み込みで受容野を拡大してパラメータ数と計算量を大幅削減
自動運転向け物体検出はAIモデル競争の中でも実装効率が収益性を左右する領域。本件はKITTIでmAP 89.8%(RT-DETR-L比+2.0%)を達成しつつ、モデルサイズ57%減・計算量55.7%減・推論4.6msと、精度と軽量化を同時に実現した点が重要。車載SoCやエッジ推論のコスト・消費電力制約が厳しい自動運転スタックでは、同等精度で計算量を半分以下にできる軽量バックボーン(LiteSNet)や再パラメータ化ヘッド(RepHead)の設計知見が、Tier1・車載チップ・ADASソフトウェア各社の競争力に直結する。ただし現時点では学術論文のベンチマーク段階であり、商用採用や量産車への搭載決定は示されておらず、実車データでの検証とライセンス・実装コストの開示が次の確認ポイントになる。