Earticle

초록

영어

Although numerous object detection models have recently achieved remarkable benchmark performance, selecting an appropriate architecture for a target application remains challenging because detection performance is strongly influenced by dataset-specific spatial characteristics. Existing studies primarily focus on aggregate accuracy metrics while providing limited analysis regarding how object scale distribution, object density, occlusion frequency, and background complexity affect architectural behavior. Consequently, practical deployment decisions often rely on trial-and-error rather than systematic evidence. This motivates the need for a dataset-centric comparative analysis focusing on spatial image characteristics. Extensive experiments on MS-COCO, PASCAL VOC, DOTA, and underwater object detection datasets reveal that YOLOv5 achieves up to 4.3× faster inference speed while maintaining strong performance in dense small-object environments with cluttered backgrounds. In contrast, DETR demonstrates more stable localization performance and stronger contextual reasoning in sparse large-object scenes. Cross-domain experiments further show that DETR is approximately 18.4% more sensitive to distributional shifts than YOLOv5 under domain mismatch conditions. The findings provide practical deployment guidelines for selecting object detection architectures according to dataset-specific spatial characteristics and real-world application requirements.

한국어

본 논문은 최근 다양한 객체 탐지 모델이 제안되고 있음에도 불구하고 데이터셋의 공간적 특성에 따른 모델 선택 기준이 부족하다는 문제의식에서 출발하였다. 이에 대표적인 객체 탐지 아키텍처인 YOLOv5와 DETR을 대상으로 객체 크기 분포, 객체 밀도, 가려짐 빈도 및 배경 복잡도와 같은 공간적 특성이 탐지 성능에 미치는 영향을 비교 분석하였다. 실험 결과 YOLOv5는 작은 객체가 밀집된 환경에서 우수한 성능을 보였으며 DETR은 넓은 공간에 분포된 객체 환경에서 안정적인 탐지 성능을 나타냈다. 본 연구 결과는 실제 산업 현장에서 데이터셋 특성에 적합한 객체 탐지 모델을 선택하기 위한 실질적인 가이드라인을 제공할 것으로 기대된다. 반면 DETR은 객체 간 간격이 넓은 환경에서 보다 안정적인 위치 추정과 전역 문맥 기반 탐지 성능을 나타냈다. 또한 도메인 변화 실험에서는 DETR이 YOLOv5보다 약 18.4% 더 높은 분포 변화 민감도를 보였다. 본 연구 결과는 데이터셋의 공간적 특성과 실제 응용 환경에 적합한 객체 탐지 아키텍처 선택기준을 제시한다.

목차

Abstract
요약
1. Introduction
2. Related Work
2.1. Single-Stage Convolutional Detectors
2.2. Transformer-Based Detectors
2.3. Comparative Studies
3. Architectures Under Evaluation
3.1. YOLOv5
3.2. DETR
3.3. Architectural Comparison
4. Experimental Setup
4.1. Datasets
4.2. Training Configuration
5. Results and Analysis
5.1. Object Scale and Density Analysis
6. Conclusion
REFERENCES

키워드

객체 탐지 YOLOv5 DETR 트랜스포머 합성곱 신경망 데이터셋 중심 분석 공간적 문맥 평균 정확도(mAP) 도메인 변화 Object Detection YOLOv5 DETR Transformer Convolutional Neural Network Dataset-Centric Analysis Spatial Context Mean Average Precision Domain Shift.

저자

• Sunghyuck Hong [ 홍성혁 | Professor, Division of Advanced IT, IoT major, Baekseok University ] Corresponding Author

참고문헌

발행기관

간행물