Training-Free Feature-Level Interpolation with Sparse-Backbone Scheduling for YOLO Detection in Low-FPS Video

본 연구는 저프레임(Low-FPS) 환경에서 YOLO 기반 탐지기의 정확도 및 시간적 안정성 저하를 완화하고 시스템 효율을 향상시키는 비학습형 방법을 제안한다. 제안 기법은 YOLO의 Backbone–Neck을 유지한 채 Anchor 프레임에서 Detection Head 입력 직전 특징 맵(P3–P5)을 저장하고, 비-Anchor 프레임은 인접 Anchor 특징을 선형 보간한 뒤 head-only 추론을 수행하는 Sparse-Backbone 구조로 동작한다. System-level end-to-end(E2E) 기준(5회 반복, mean ± std)에서 Backbone 호출을 약 50% 줄이면서 mAP@50(mean Average Precision at IoU 0.5)의 98.48%를 유지하였고, 처리 지연 시간(Lat_proc)은 26.60% 감소, 프레임 처리량(FPS_proc)은 36.11% 향상되었다. 이를 통해 제안 방법이 저프레임·자원 제약 환경에서 탐지 품질과 시간적 안정성을 유지하면서 시스템 효율까지 개선할 수 있는 실용적인 비학습형 추론 모듈임을 확인하였다.