[논문 리뷰] A Mask-RCNN Baseline for Probabilistic Object Detection

Phil Ammirato, Alexander C. Berg|arXiv (Cornell University)|2019. 08. 09.

Advanced Neural Network Applications참고 문헌 10인용 수 16

한 줄 요약

이 논문은 확률적 객체 탐지에 대한 마스크-RCNN 기반 베이스라인을 제시하며, 합성 데이터로 미세조정하고 후처리 히우리스틱을 통해 확률 기반 탐지 품질(PDQ)을 최적화한다. 방법은 모든 탐지 점수를 1.0으로 설정하고, 박스 크기를 10% 감소시키며, 상자 치수의 30%로 스케일된 공분산 행렬을 적용함으로써 PDQ 점수 21.432를 달성하여 PODC 2019 대회에서 2위를 기록했으며, 공간적 및 총합 탐지 품질이 높다.

ABSTRACT

The Probabilistic Object Detection Challenge evaluates object detection methods using a new evaluation measure, Probability-based Detection Quality (PDQ), on a new synthetic image dataset. We present our submission to the challenge, a fine-tuned version of Mask-RCNN with some additional post-processing. Our method, submitted under username pammirato, is currently second on the leaderboard with a score of 21.432, while also achieving the highest spatial quality and average overall quality of detections. We hope this method can provide some insight into how detectors designed for mean average precision (mAP) evaluation behave under PDQ, as well as a strong baseline for future work.

연구 동기 및 목표

• 새로운 PDQ 평가 기준 하에서 잘 알려진 탐지기인 마스크-RCNN을 사용해 확률적 객체 탐지에 대한 강력한 베이스라인을 수립하기 위해.
• mAP 최적화 탐지기인 마스크-RCNN이 탐지 점수를 실제 확률로 간주하는 PDQ 평가 기준에서 어떻게 행동하는지 조사하기 위해.
• 도메인 적응 및 PDQ의 점수 기준에 맞는 후처리를 통해 합성 PODC 데이터셋에서의 탐지 성능을 향상시키기 위해.
• 복잡한 불확실성 모델링을 훈련 중에 요구하지 않고도 PDQ와 공간 품질을 향상시키는 히우리스틱 방법을 탐색하기 위해.

제안 방법

• MSCOCO, SunCG 및 증강된 House3D 합성 이미지로 구성된 병합 데이터셋을 사용해 MSCOCO에서 미리 훈련된 마스크-RCNN 모델을 미세조정하여 도메인 일반화를 향상시켰다.
• PODC 객체 클래스가 아닌 클래스의 마스크 및 분류 헤드를 제거하여 실사 이미지에서 mAP를 위해 훈련된 30개 클래스 탐지기(Mask-RCNN-30)를 생성했다.
• 후처리 적용: 점수 0.5 이하의 탐지를 제거한 후, 나머지 모든 점수를 1.0으로 설정하여 PDQ와 공간 품질을 최대화했다.
• 다른 탐지와 IOU가 높은 저점수 탐지를 재통합하여, 모호하더라도 진짜 양성 예측을 복구했다.
• 가로 및 세로 길이를 각각 10% 감소시켜 배경 확률 할당을 최소화하고 공간 품질을 향상시켰다.
• 각 모서리에 대해 상자 너비와 높이의 30%로 스케일된 공분산 행렬을 가진 확률적 경계상자(pbox)를 추가하여 PDQ를 약간 향상시켰다.

실험 결과

연구 질문

• RQ1 표준 mAP 최적화 탐지기인 마스크-RCNN이 탐지 점수를 실제 확률로 간주하는 PDQ 평가 기준 하에서 어떻게 성능을 내는가?
• RQ2 엔드 투 엔드 재훈련이 필요 없이 PDQ와 공간 품질을 크게 향상시키는 후처리 히우리스틱은 무엇인가?
• RQ3 경계 상자의 불확실성(공분산)을 스케일링하면 PDQ 하에서 탐지 품질에 어떤 영향을 미치는가?
• RQ4 상자 크기 감소와 점수 정규화는 합성 탐지 설정에서 PDQ와 공간 품질을 얼마나 향상시킬 수 있는가?
• RQ5 간단하고 해석 가능한 히우리스틱은 낮은 데이터, 합성 탐지 시나리오에서 복잡한 불확실성 모델링을 능가할 수 있는가?

주요 결과

• 최종 방법은 PDQ 점수 21.432를 달성하여 PODC 2019 대회에서 2위를 기록했으며, 공간 품질과 총합 탐지 품질이 가장 높았다.
• 0.5 이하의 점수를 가지는 탐지를 제거한 후 나머지 모든 점수를 1.0으로 설정함으로써 PDQ가 최고 수준에 도달했지만, 점수의 해석 가능성은 감소했다.
• 경계 상자 크기를 10% 감소시킴으로써 PDQ는 16.36에서 18.11로 향상되었고, 평균 공간 품질은 46.05에서 55.00으로 증가했다.
• 공분산 행렬을 상자 치수의 30%로 스케일링(예: 100×50 상자에 대해 너비의 30%, 높이의 15%)한 경우가 테스트된 값들 중에서 가장 뛰어난 PDQ 성능을 보였다.
• 절단 분석 결과, 상자 크기 감소와 함께 공분산을 20%로 설정한 경우 PDQ는 16.13에서 16.36으로 약간 향상되었으며, 크기 감소와 불확실성 모델링 간의 상호보완적 효과가 있음을 시사했다.
• 저점수 탐지를 다른 탐지와 높은 IOU를 가진 경우에 재통합함으로써 약간의 향상만 얻었으며, 계산 비용 대비 이득이 제한적이므로 이는 제한된 이점이 있음을 시사했다.