[논문 리뷰] Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression

Jiabo He, Sarah Erfani외 4명|arXiv (Cornell University)|2021. 10. 26.

Advanced Neural Network Applications참고 문헌 46인용 수 144

한 줄 요약

Alpha-IoU는 IoU 기반 손실을 단일 알파 매개변수의 거듭제곱 계열로 일반화하여 경계 상자 회귀와 모델/데이터셋 간 견고성을 개선합니다.

ABSTRACT

Bounding box (bbox) regression is a fundamental task in computer vision. So far, the most commonly used loss functions for bbox regression are the Intersection over Union (IoU) loss and its variants. In this paper, we generalize existing IoU-based losses to a new family of power IoU losses that have a power IoU term and an additional power regularization term with a single power parameter $α$. We call this new family of losses the $α$-IoU losses and analyze properties such as order preservingness and loss/gradient reweighting. Experiments on multiple object detection benchmarks and models demonstrate that $α$-IoU losses, 1) can surpass existing IoU-based losses by a noticeable performance margin; 2) offer detectors more flexibility in achieving different levels of bbox regression accuracy by modulating $α$; and 3) are more robust to small datasets and noisy bboxes.

연구 동기 및 목표

• 일반화 기존 IoU-based bbox regression 손실을 단일 α-IoU 계열로 파워 변환을 사용하여 통일화합니다.
• 다 varying α 하에서의 순서 보존성, 손실/그래디언트 재가중화 등 핵심 특성을 분석합니다.
• 다수의 검출기/벤치마크에서 표준 IoU 손실 대비 실증적 개선을 시연합니다.
• 학습 오버헤드 없이 작은 데이터셋과 노이즈가 있는 경계 상자에 대한 견고성을 보여줍니다.

제안 방법

• L_{alpha-IoU} = 1 - IoU^{alpha} (alpha > 0)로 α-IoU 손실을 정의하고 기존 손실(IoU, log(IoU))과의 관련성을 설명합니다.
• 선택적 패널티 항을 포함한 일반 형태로 확장: L_{alpha-IoU} = 1 - IoU^{alpha} + P^{alpha}(B, B^{gt}).
• IoU, GIoU, DIoU, CIoU 등 기존의 IoU 기반 손실들을 같은 α를 IoU와 페널티 항 모두에 적용하여 α-IoU 프레임워크로 통일화합니다.
• 특성 분석: order preservingness, 상대 손실 재가중 w_Lr = L_{alpha-IoU}/L_IoU, 상대 그래디언트 재가중 w_nabla_r 을 평가합니다.
• PASCAL VOC와 MS COCO에서 YOLOv5s/x, DETR 등의 모델로 실증 평가를 제공하며, 실용적 선택으로 α=3를 강조합니다.
• 추가적인 모델 매개변수나 학습 시간 오버헤드가 필요하지 않다고 주장합니다.

실험 결과

연구 질문

• RQ1 alpha-IoU 손실이 서로 다른 검출기와 데이터셋에서 표준 IoU 기반 손실에 대해 일관된 개선을 제공하는가?
• RQ2 α 매개변수가 손실 및 그래디언트 항의 높은 IoU 객체에 대한 가중치에 어떤 영향을 미치는가?
• RQ3 alpha-IoU가 작은 데이터셋과 노이즈가 있는 경계 상자에 대해 전통적 손실과 비교하여 견고한가?
• RQ4 아키텍처 변경 없이 anchor 기반 및 anchor-free 검출기에 α-IoU 프레임워크를 적용할 수 있는가?

주요 결과

• α-IoU가 α > 1인 경우 높은 IoU 객체의 가중치를 높여 경계 상자 회귀 정확도와 고정밀도 mAP(e.g., mAP_{75:95})를 향상시킵니다.
• YOLOv5s, YOLOv5x, DETR에서 PASCAL VOC 및 MS COCO에 걸친 실적 향상을 관찰했으며, 특히 높은 IoU 임계치에서(AP_{95}) 두드러집니다.
• α=3은 모델/데이터셋 간에 강력하고 일관된 성능 향상을 제공하며, 데이터셋/모델 선택에 대한 민감도가 제한적입니다.
• 이 방법은 학습 절차를 바꾸거나 매개변수를 추가하지 않고도 작은 학습 세트와 노이즈가 있는 바운딩 박스에서 견고성을 개선합니다.