[論文レビュー] Localization Uncertainty Estimation for Anchor-Free Object Detection

Youngwan Lee, Joong‐won Hwang+5 more|arXiv (Cornell University)|Jun 28, 2020

Advanced Neural Network Applications被引用数 7

ひとこと要約

本稿では、アンカー自由オブジェクト検出における局所化不確実性推定のための新規手法である不確実性認識検出（UAD）を提案する。UADは、左、右、上、下の4方向のオフセットにおける不確実性を[0,1]の値として定量化する。負の累乗対数尤度損失と不確実性認識フォーカル損失を導入することで、計算コストを増加させることなく、COCO上でのFCOS性能を最大1.8 AP向上させ、安全が求められる応用分野におけるより信頼性の高い検出を実現する。

ABSTRACT

Since many safety-critical systems, such as surgical robots and autonomous driving cars operate in unstable environments with sensor noise and incomplete data, it is desirable for object detectors to take the localization uncertainty into account. However, there are several limitations of the existing uncertainty estimation methods for anchor-based object detection. 1) They model the uncertainty of the heterogeneous object properties with different characteristics and scales, such as location (center point) and scale (width, height), which could be difficult to estimate. 2) They model box offsets as Gaussian distributions, which is not compatible with the ground truth bounding boxes that follow the Dirac delta distribution. 3) Since anchor-based methods are sensitive to anchor hyper-parameters, their localization uncertainty could also be highly sensitive to the choice of hyper-parameters. To tackle these limitations, we propose a new localization uncertainty estimation method called UAD for anchor-free object detection. Our method captures the uncertainty in four directions of box offsets (left, right, top, bottom) that are homogeneous, so that it can tell which direction is uncertain, and provide a quantitative value of uncertainty in [0, 1]. To enable such uncertainty estimation, we design a new uncertainty loss, negative power log-likelihood loss, to measure the localization uncertainty by weighting the likelihood loss by its IoU, which alleviates the model misspecification problem. Furthermore, we propose an uncertainty-aware focal loss for reflecting the estimated uncertainty to the classification score. Experimental results on COCO datasets demonstrate that our method significantly improves FCOS, by up to 1.8 points, without sacrificing computational efficiency.

研究の動機と目的

• アンカーに基づくオブジェクト検出における既存の不確実性推定手法の限界、たとえばモデルの誤指定やハイパーパrameterへの感受性を解消すること。
• アンカー自由検出器に対して明示的かつ方向的な不確実性推定を可能にし、どの境界方向が曇っているかを捉えること。
• 各4つのボックスオフセット（左、右、上、下）に対して[0,1]の範囲で定量的な不確実性スコアを提供することにより、検出の信頼性を向上させること。
• 分類スコアに推定された不確実性を組み込む不確実性認識フォーカル損失を導入し、NMSの順位付けと検出品質を向上させること。
• 計算コストの増加を伴わせずに性能向上を達成し、リアルタイムシステムへの実用的導入を保証すること。

提案手法

• 左、右、上、下のオフセットを独立してガウス分布としてモデル化する4方向不確実性推定フレームワークを提案する。
• IoUで重み付けされた対数尤度損失を導入し、デルタ関数とガウス分布の間のモデル誤指定を軽減する。
• 各方向の不確実性スコアを予測する「確信度表現ネットワーク」を設計し、[0,1]範囲での定量的不確実性評価を可能にする。
• 推定された不確実性を分類スコアに組み込む不確実性認識フォーカル損失を設計する。これにより、NMS中のオブジェクト順位付けが向上する。
• 分類、ボックスオフセット、方向別不確実性を同時に予測するマルチタスクヘッドを用いて、エンドツーエンドでモデルを訓練する。
• ResNeXtバックボーンを用い、COCOで評価することで、アーキテクチャをまたがる性能向上と頑健性を検証する。

実験結果

リサーチクエスチョン

• RQ1 4方向のボックスオフセット（左、右、上、下）における方向的不確実性推定は、アンカー自由検出における局所化信頼性を向上させることができるか？
• RQ2 IoUで重み付けされた負の累乗対数尤度損失は、標準的な負の対数尤度損失と比較して、モデル誤指定を軽減するか？
• RQ3 不確実性認識分類は、追加の推論コストを伴わずにNMS順位付けと全体的な検出性能を向上させることができるか？
• RQ4 UADは、特に深層なアーキテクチャ（例：ResNeXt-101）においても、異なるバックボーンアーキテクチャでどのように性能を発揮するか？
• RQ5 [0,1]範囲で推定された不確実性値は、曇っているまたは隠されているオブジェクト境界を効果的に示すことができるか？

主な発見

• ResNeXt-101-32x8d-DCNバックボーンを用いた場合、UADはCOCO上でのFCOS性能を+1.8 AP向上させ、計算コストの増加なしに実現した。
• UADは複数のバックボーンで一貫した向上を達成し、ResNeXt-101-32x8dでは+1.3 AP、ResNeXt-101-64x4dでは+1.4 APの向上を示した。
• UADは、水に覆われた人物の下半身や木の枝に部分的に隠された鳥のように、曇っているまたは隠されている境界に対して低い確信度スコア（例：C_B: 22%）を推定した。
• 不確実性認識フォーカル損失は分類スコアのキャリブレーションを改善し、NMSにおけるオブジェクト順位付けを向上させた。
• ResNeXt-101-32x8d-DCNバックボーンを用いた場合、より複雑なサンプリング戦略を用いるGFLと比較して、UADはAPで48.4 vs. 48.2 APと優れた性能を示した。
• 提案された不確実性推定は、方向的曇りを効果的に捉えており、テレビの猫の尾で部分的に隠された女性に対して右方向の確信度が低くなる（C_R: 1%）などの事例を示した。