[論文レビュー] Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection

Li Xiang, Wenhai Wang+4 more|arXiv (Cornell University)|Nov 25, 2020

Advanced Neural Network Applications参考文献 45被引用数 25

ひとこと要約

この論文は、GFLV1で導入された「一般分布」として知られる学習済みバウンディングボックス分布の統計を利用することで、局所化品質スコアを予測する、新しい高密度オブジェクト検出フレームワークGFLV2を提案する。これらの分布統計に「軽量な分布ガイドド品質予測器（DGQP）」を適用することで、ResNet-101を用いて14.6 FPSで46.2 APを達成し、SOTAを更新。ATSSを2.6 AP上回りながらも高い効率性を維持している。

ABSTRACT

Localization Quality Estimation (LQE) is crucial and popular in the recent advancement of dense object detectors since it can provide accurate ranking scores that benefit the Non-Maximum Suppression processing and improve detection performance. As a common practice, most existing methods predict LQE scores through vanilla convolutional features shared with object classification or bounding box regression. In this paper, we explore a completely novel and different perspective to perform LQE -- based on the learned distributions of the four parameters of the bounding box. The bounding box distributions are inspired and introduced as "General Distribution" in GFLV1, which describes the uncertainty of the predicted bounding boxes well. Such a property makes the distribution statistics of a bounding box highly correlated to its real localization quality. Specifically, a bounding box distribution with a sharp peak usually corresponds to high localization quality, and vice versa. By leveraging the close correlation between distribution statistics and the real localization quality, we develop a considerably lightweight Distribution-Guided Quality Predictor (DGQP) for reliable LQE based on GFLV1, thus producing GFLV2. To our best knowledge, it is the first attempt in object detection to use a highly relevant, statistical representation to facilitate LQE. Extensive experiments demonstrate the effectiveness of our method. Notably, GFLV2 (ResNet-101) achieves 46.2 AP at 14.6 FPS, surpassing the previous state-of-the-art ATSS baseline (43.6 AP at 14.6 FPS) by absolute 2.6 AP on COCO { t test-dev}, without sacrificing the efficiency both in training and inference. Code will be available at https://github.com/implus/GFocalV2.

研究の動機と目的

• 従来の局所化品質推定（LQE）手法が、実際の局所化精度と相関が低い可能性のある、シンプルな畳み込み特徴に依存しているという制限に対処すること。
• 予測されたバウンディングボックス分布の内在的統計的性質を活用することで、LQEの新しいパラダイムを模索すること。
• 非最大抑制（NMS）の性能を向上させるために、検出結果の順序付けをよりよく行う、軽量で効率的かつ効果的な品質予測器を開発すること。
• 大幅に検出精度を向上させつつも、訓練および推論の効率性を維持すること。

提案手法

• 本手法は、ポイントや領域のような空間特徴に依存するのではなく、予測されたバウンディングボックスの4辺における「一般分布」として知られる離散的確率分布の統計を用いることで、LQEの新たな視点を提示する。
• 一般分布はバウンディングボックスの回帰における不確実性をモデル化し、その形状（例：鋭さ）は実際の局所化品質と強く相関していることが、実証的分析で示されている。
• 4辺の分布統計の平均と分散を入力として受け取り、局所化品質スコアを予測する、軽量なサブネットワーク「分布ガイドド品質予測器（DGQP）」を提案する。
• DGQPは検出器とエンドツーエンドで学習され、計算コストは最小限に抑えられ、わずか約64個の隠れユニットで構成され、訓練および推論速度を保ち続ける。
• 従来のLQEヘッド（例：CenternessやIoUに基づくもの）の代わりに、実際の局所化信頼度をよりよく反映する、分布に配慮した品質推定ヘッドを導入する。
• 本フレームワークは既存の高密度検出器と互換性があり、COCO上で評価され、さまざまなバックボーンや設定において一貫した向上効果を示している。

実験結果

リサーチクエスチョン

• RQ1 学習済みバウンディングボックス分布の統計的性質は、局所化品質推定のための信頼性があり情報量の多い信号として機能するか？
• RQ2 空間特徴に代えて分布統計を入力として品質予測に用いる場合、真値IoUとの相関度は、従来の空間特徴に比べてどうなるか？
• RQ3 分布統計に基づく軽量な品質予測器は、訓練または推論の効率性を損なわず、検出性能を向上させるか？
• RQ4 提案手法は、NMSにおける誤った抑制をどれほど低減するか？特に、高品質な検出結果の順序付けを改善することで。

主な発見

• ResNet-101を用いてCOCO test-devで46.2 APを達成し、同じ推論速度14.6 FPSで前回SOTAのATSSベースライン（43.6 AP）を2.6 AP上回った。
• 提案されたDGQPは、GFLV1と比較して予測されたIoUスコアと真値IoUスコアのピアソン相関係数を0.26向上させ、結果として0.9 APの向上をもたらした。
• GFLV2では、LQEの訓練損失がGFLV1よりも早く収束し、より低い値に到達しており、DGQPが品質推定の学習難易度を軽減していることが示唆された。
• DGQPモジュールは計算オーバーヘッドがほとんどなく、ResNet-50では19.4 FPS、ResNet-101では14.6 FPSを維持しており、推論速度に著しいペナルティを受けるRepPointsV2 や BorderDet よりも優れている。
• 可視化の結果、GFLV2は最も正確な予測に対して高い品質スコアを割り当てており、NMS段階での高品質な検出の誤っての抑制リスクを低減している。
• 本手法は効率的かつ互換性がある：ResNet-50では訓練時間に変化がなく、19.4 FPSの推論速度を維持しながら、PAA、RepPointsV2、BorderDetを両方の指標（精度・効率）で上回った。