[논문 리뷰] 2nd Place Solution for Waymo Open Dataset Challenge -- 2D Object Detection

Sijia Chen, Yu Wang외 5명|arXiv (Cornell University)|2020. 06. 28.

Advanced Neural Network Applications참고 문헌 13인용 수 6

한 줄 요약

이 논문은 2022년 웨이모 오픈 데이터셋 2D 객체 검출 도전 대회에서 2위를 차지한 솔루션을 제시한다. 두 단계 검출기인 캐스케이드 R-CNN과 한 단계 검출기인 센터넷(앵커리스 설계)을 결합한 것으로, 검출 결과를 융합하기 위해 게으른 자동 앙상블 및 모델별 융합 전략(Adj-NMS, WBF)을 사용하여 테스트 세트에서 70.28 L2 mAP를 달성했다.

ABSTRACT

A practical autonomous driving system urges the need to reliably and accurately detect vehicles and persons. In this report, we introduce a state-of-the-art 2D object detection system for autonomous driving scenarios. Specifically, we integrate both popular two-stage detector and one-stage detector with anchor free fashion to yield a robust detection. Furthermore, we train multiple expert models and design a greedy version of the auto ensemble scheme that automatically merges detections from different models. Notably, our overall detection system achieves 70.28 L2 mAP on the Waymo Open Dataset v1.2, ranking the 2nd place in the 2D detection track of the Waymo Open Dataset Challenges.

연구 동기 및 목표

• 자율주행을 위한 웨이모 오픈 데이터셋을 기반으로 한 강력하고 정확한 2D 객체 검출 시스템을 개발하기 위해.
• 두 단계 검출기(Cascade R-CNN)와 한 단계 검출기(CenterNet)의 상호보완적 강점을 조합하여 검출 성능을 향상시키기 위해.
• 검증 데이터에서 mAP를 최대화하는 효율적인 앙상블 전략을 사용해 여러 모델의 검출 결과를 자동으로 융합하기 위해.
• 전문가 모델 특화 전략을 통해 다양한 시나리오—예를 들어 혼잡한 장면이나 저조도 조건—에서의 검출 과제를 해결하기 위해.
• 웨이모 오픈 데이터셋 2D 검출 트랙에서 최신 기술 수준의 성능을 달성하여 종합적으로 2위를 기록하기 위해.

제안 방법

• 레이블 스무딩, 다중 스케일 훈련, 클래스 인식 소프트-NMS를 적용한 캐스케이드 R-CNN 검출기를 훈련하여 국소화 및 일반화 성능을 향상시켰다.
• 특수화된 서브셋(낮, 밤, 보행자/자전거 스펙트럼 전용)에서 여러 전문 모델(낮, 밤, 보행자/자전거 전용)을 미세조정하여 어려운 조건에서의 검출 성능을 향상시켰다.
• 가우시안 커널 인코딩을 사용한 센터넷 기반의 한 단계 검출기를 도입하여 소형 및 혼잡한 객체 처리 능력을 향상시켰다.
• 검증 mAP를 기반으로 검출 그룹을 동적으로 융합하는 게으른 자동 앙상블(GAE) 프레임워크를 구현하였으며, 이는 이진 트리 구조와 NMS 변형을 포함한 융합 연산을 사용한다.
• 8개의 센터넷 모델에서의 검출 결과를 융합하기 위해 가중 상자 융합(WBF)을 사용하였고, 차량 및 보행자 클래스 융합에는 Adj-NMS를 적용하였다.
• 추론 중에 다중 스케일 테스트 및 수평 반전을 적용하여 다양한 이미지 변형에 대한 강건성을 향상시켰다.

실험 결과

연구 질문

• RQ1 웨이모 오픈 데이터셋에서 2D 객체 검출 성능을 향상시키기 위해 상호보완적인 검출 프레임워크(두 단계 및 한 단계)를 효과적으로 조합하는 방법은 무엇인가?
• RQ2 수동 튜닝 없이 mAP를 최대화하는 데 최적의 자동 융합 전략은 무엇인가?
• RQ3 특정 도메인 데이터(예: 야간, 보행자 중심 장면)에서 전문가 모델을 훈련시켜 특정 객체 클래스의 검출 정확도를 크게 향상시킬 수 있는가?
• RQ4 검증 성능 기반의 게으른 자동 앙상블 전략은 표준 앙상블 방법에 비해 성능과 탐색 효율성 측면에서 어떻게 비교되는가?
• RQ5 각 구성 요소(예: 소프트-NMS, 다중 스케일 테스트, 전문 모델)가 최종 검출 mAP에 기여하는 정도는 얼마인가?

주요 결과

• 레이블 스무딩을 적용한 베이스라인 캐스케이드 R-CNN는 미니-검증 세트에서 59.71 AP/L2를 기록하여 강력한 기초 성능을 입증했다.
• 클래스 인식 소프트-NMS와 다중 스케일 테스트를 적용한 결과 캐스케이드 R-CNN 베이스라인은 61.04 AP/L2로 향상되었으며, 이는 추론 시 후처리의 영향을 보여준다.
• 전문가 모델을 활용한 게으른 자동 앙상블(GAE)은 성능을 63.28 AP/L2로 further 향상시켜 동적 모델 융합의 효과를 입증했다.
• 캐스케이드 R-CNN와 센터넷 검출 결과를 융합함으로써 센터넷 단독 성능 대비 mAP가 1.44 포인트 향상되었으며, 이는 두 프레임워크의 상호보완적 성격을 확인한다.
• 최종 시스템은 테스트 세트에서 70.28 AP/L2를 달성하여 웨이모 오픈 데이터셋 2D 검출 도전 대회에서 2위를 기록했다.
• 랭킹 결과에 따르면, 제안된 방법은 RW-TSDet(74.43 AP/L2) 및 SPNAS-Noah(69.43 AP/L2)를 포함한 다른 상위 참가자들보다 상당한 격차로 뛰어난 성능을 보였다.