[논문 리뷰] Adapted Center and Scale Prediction: More Stable and More Accurate

Wenhao Wang|arXiv (Cornell University)|2020. 02. 20.

Advanced Neural Network Applications참고 문헌 53인용 수 16

한 줄 요약

이 논문은 기존 CSP보다 학습 안정성과 정확도를 향상시킨 앵커리스, 단단계 보행자 검출기인 Adapted Center and Scale Prediction (ACSP)을 제안한다. 경계 상자 너비 예측에 너비 압축 기법을 도입하고 Switchable Normalization을 활용하여 CityPersons 벤치마크에서 최신 기술 수준의 성능을 달성한다. 합리적인 세트에서 9.3%의 로그 평균 누락률을 기록하고, 벌거장미 세트에서는 5.6%를 기록하여 특수한 음영 처리 없이도 높은 정확도를 입증한다.

ABSTRACT

Pedestrian detection benefits from deep learning technology and gains rapid development in recent years. Most of detectors follow general object detection frame, i.e. default boxes and two-stage process. Recently, anchor-free and one-stage detectors have been introduced into this area. However, their accuracies are unsatisfactory. Therefore, in order to enjoy the simplicity of anchor-free detectors and the accuracy of two-stage ones simultaneously, we propose some adaptations based on a detector, Center and Scale Prediction(CSP). The main contributions of our paper are: (1) We improve the robustness of CSP and make it easier to train. (2) We propose a novel method to predict width, namely compressing width. (3) We achieve the second best performance on CityPersons benchmark, i.e. 9.3% log-average miss rate(MR) on reasonable set, 8.7% MR on partial set and 5.6% MR on bare set, which shows an anchor-free and one-stage detector can still have high accuracy. (4) We explore some capabilities of Switchable Normalization which are not mentioned in its original paper.

연구 동기 및 목표

• 앵커리스 센터 및 스케일 예측(CSP) 검출기의 학습 안정성과 강건성을 향상시키며, 특히 배치 크기와 입력 스케일이 다양할 경우에 유의미하게 개선한다.
• 복잡한 후처리나 특수한 백본에 의존하지 않고도 검출 정확도를 향상시키는 것.
• 소규모 및 대규모 배치에서의 학습 환경에서 Switchable Normalization의 미사용된 잠재적 기능을 탐색하는 것.
• 지오메트릭 정밀도 향상을 위해 새로운 너비 예측 방법인 '압축 너비'를 개발하는 것.
• 단순한 단단계 앵커리스 검출기로도 복잡한 이단계 또는 음영 인식 기반 방법과 경쟁 가능한 성능을 달성할 수 있음을 입증하는 것.

제안 방법

• 예측된 특징 맵의 너비를 가속화하는 데 사용할 수 있는 학습 가능한 스케일링 인자 r을 사용해, 경계 상자 너비 예측에 '압축 너비'라는 새로운 방법을 도입한다.
• 배치 크기가 작거나 클 경우 학습 안정성을 향상시키기 위해 배치 정규화 대신 Switchable Normalization(SN)을 적용한다.
• 특히 어려운 샘플에서 수렴성 향상과 누락률 감소를 위해 Smooth L1 손실 대신 보편적인 L1 손실을 사용한다.
• 추가 데이터나 후처리 없이 표준 증강 기법을 사용해 ResNet-101 백본과 함께 CityPersons 데이터셋에서 학습한다.
• 압축 비율 r 등의 하이퍼파라미터를 최적화하여, 보편적인 L1의 경우 r=0.36, Smooth L1의 경우 r=0.40로 설정한다.
• 압축 너비, SN, 손실 함수의 기여도를 분리하여 성능 기여도를 분석하기 위해 분석 실험을 수행한다.

실험 결과

연구 질문

• RQ1 특수한 후처리 없이도 앵커리스, 단단계 검출기가 이단계 또는 음영 인식 기반 검출기 수준의 높은 정확도를 달성할 수 있는가?
• RQ2 비이상적인 배치 크기에서 Switchable Normalization이 보행자 검출의 학습 안정성과 성능에 어떻게 기여하는가?
• RQ3 새로운 너비 예측 메커니즘인 '압축 너비'가 국소화 정확도에 미치는 영향은 무엇인가?
• RQ4 특히 어려운 샘플에서 보편적인 L1 손실이 Smooth L1 손실보다 누락률 감소 측면에서 더 우수한가?
• RQ5 강력한 백본이나 추가 데이터 없이도 단순한 검출기 개선이 CityPersons에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• ACSP는 CityPersons의 합리적인 세트에서 9.3%의 로그 평균 누락률을 기록하여, 특수한 음영 처리 기능을 갖춘 모든 방법들 중 두 번째로 높은 성능을 달성한다.
• 벌거장미 세트에서는 5.6%의 누락률을 기록하여 평가된 모든 방법들 중 최고 성능을 기록한다.
• 특정 음영 처리 기능을 갖추지 않은 상태에서도 무거운 세트에서 몇몇 최신 기술 수준의 방법들을 초월한다. 유일한 예외는 PSC-Net이다.
• Switchable Normalization은 약 0.4%의 누적 누락률 향상 기여를 하며, 다양한 배치 크기에서 안정적인 학습을 가능하게 한다.
• 최적화된 r=0.36를 사용한 보편적인 L1 손실은 Smooth L1 대비 약 0.3–0.4%의 누락률 감소를 이끌어내며, 특히 부분적으로 가려진 세트와 벌거장미 세트에서 두드러진다.
• 압축 너비 방법은 국소화 정확도 향상에 기여하여, 특히 작은 보행자나 음영에 가려진 보행자에서 성능 향상에 기여한다.