[논문 리뷰] 1st Place Solutions of Waymo Open Dataset Challenge 2020 -- 2D Object Detection Track

Zehao Huang, Zehui Chen외 3명|arXiv (Cornell University)|2020. 08. 04.

Advanced Neural Network Applications참고 문헌 23인용 수 7

한 줄 요약

이 논문은 2020년 웨이모 오픈 데이터셋 2D 객체 검출 트랙에서 우승한 솔루션을 제시한다. 이는 FPN을 갖춘 ResNet50-v1b 백본, 캐스케이드 R-CNN, 스택드 PAFPN, 더블 헤드 헤드를 활용한 방법으로, 대규모 추론, 다중 척도 훈련, 점수 校정, 앙상블 학습을 통해 최신 기술 수준의 성능을 달성하였으며, 테스트 세트에서 LEVEL 2에서 74.43 mAP의 성능을 기록하였다.

ABSTRACT

In this technical report, we present our solutions of Waymo Open Dataset (WOD) Challenge 2020 - 2D Object Track. We adopt FPN as our basic framework. Cascade RCNN, stacked PAFPN Neck and Double-Head are used for performance improvements. In order to handle the small object detection problem in WOD, we use very large image scales for both training and testing. Using our methods, our team RW-TSDet achieved the 1st place in the 2D Object Detection Track.

연구 동기 및 목표

• 웨이모 오픈 데이터셋에서 70%의 객체가 32×32 픽셀 이하인 작은 객체 검출 문제를 해결한다.
• 고해상도 이미지와 복잡한 객체 척도를 갖춘 대규모 자율주행 데이터셋에서 2D 객체 검출 성능을 향상시킨다.
• 웨이모 평가 프로토콜에 따라 평균 평균 정밀도(mAP)를 최적화하며, 특히 부족한 클래스인 자전거 탑승자와 같은 클래스에 초점을 맞춘다.
• 웨이모 데이터셋의 고유한 척도 및 레이블 분포에 맞는 강력한 훈련 및 추론 전략을 개발한다.

제안 방법

• 작은 객체를 더 잘 다룰 수 있도록 앵커 척도와 RoI 할당 방식을 수정한 FPN을 ResNet50-v1b와 함께 기준 모델로 채택한다.
• 랜덤 컷을 사용한 다중 척도 훈련을 구현하며, 짧은 변의 척도를 {640, 960, 1280, 1600, 1920, 2240, 2560}에서 무작위로 선택하고, 긴 변은 3840로 고정한다.
• 성능 균형을 맞추기 위해 척도 인식 점수 감쇠 기법을 사용하면서, (1280, 1920) 및 (2240, 3360)에서 대규모 테스트를 실시하여 작은 객체 검출 성능을 향상시켰다.
• 경계 상자 예측을 개선하기 위해 IoU 임계치가 0.5, 0.6, 0.7인 캐스케이드 R-CNN을 적용하여 정밀도를 향상시켰다.
• 분류를 위한 2-fully connected 헤드와 회귀를 위한 3-블록 잔여 헤드를 통합한 더블 헤드 검출 헤드를 도입하여 특징 표현을 향상시켰다.
• 피라미드 수준 간의 특징 융합을 강화하기 위해 3회 반복된 스택드 PAFPN을 적용하여, 작은 객체 및 중간 크기 객체의 검출 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 고해상도 자율주행 데이터셋에서 극히 작은 객체 검출 모델을 어떻게 최적화할 수 있는가?
• RQ2 웨이모 오픈 데이터셋에서의 작은 객체 검출에 대해 대규모 테스트와 다중 척도 훈련이 mAP에 미치는 영향은 무엇인가?
• RQ3 온도 스케일링을 통한 점수 校정은 웨이모 평가 환경에서 정밀도-재현율 곡선을 매끄럽게 하여 mAP를 향상시킬 수 있는가?
• RQ4 다양한 백본과 선형 재가중 전략을 사용한 앙상블 학습은 표준 평균화 방법에 비해 검출 성능을 어떻게 향상시키는가?
• RQ5 장꼬리 분포를 가진 데이터셋에서 부족한 클래스인 자전거 탑승자 검출을 향상시키는 데 있어 클래스 인식 샘플링의 역할은 무엇인가?

주요 결과

• 최종 앙상블 모델은 웨이모 오픈 데이터셋 테스트 세트에서 ALL_NS의 LEVEL 2에서 74.43 mAP를 기록하여 1등을 차지하였다.
• 스케일 감쇠 기법을 사용한 대규모 테스트 (2240, 3360)는 일반적인 다중 척도 테스트에 비해 작은 객체의 mAP를 1.0 향상시켰다.
• 더블 헤드 헤드 설계는 전용 컨볼루션 헤드를 통해 더 강력한 회귀를 가능하게 하여 검출 성능을 향상시켰다.
• 클래스 인식 샘플링을 사용해 균형 잡힌 서브셋에서 훈련된 전문 모델은 자전거 탑승자에 대해 63.31 mAP를 기록하여 일반 모델보다 이 클래스에서 더 높은 성능을 냈다.
• 검증 AP 순위에 기반해 가중치를 할당하는 선형 재가중 앙상블 전략은 검증 세트에서 70.90 mAP를 기록하여 표준 앙상블 방법을 초월했다.
• ResNet50-v1b, ResNet50-v1d, Res2Net50-v1b가 가장 효과적인 것으로 밝혀졌으며, 더 깊은 네트워크인 ResNet101과 ResNet152는 특히 자전거 탑승자 검출에서 성능이 열 劣했다.