[논문 리뷰] An Effective and Robust Detector for Logo Detection

Xiaojun Jia, Huanqian Yan외 4명|arXiv (Cornell University)|2021. 08. 01.

Handwritten Text Recognition Techniques참고 문헌 19인용 수 7

한 줄 요약

이 논문은 다중 척도 훈련/테스트, 등가 손실(EQL-v2), 그리고 적대적 데이터 증강을 통합한 계단식 detectoRS 프레임워크를 기반으로 한 강건한 로고 검출 모델을 제안한다. 이는 소형 객체 검출, 장꼬리 분포 불균형, 적대적 공격에 대한 강건성 문제를 해결하기 위해 개발되었다. 이 방법은 36,489개의 팀이 참가한 ACM MM2021 강건한 로고 검출 경쟁에서 두 번째로 높은 성능(MAP 0.650807)을 기록하여, 뛰어난 성능과 적대적 흐름에 대한 저항성을 입증하였다.

ABSTRACT

In recent years, intellectual property (IP), which represents literary, inventions, artistic works, etc, gradually attract more and more people's attention. Particularly, with the rise of e-commerce, the IP not only represents the product design and brands, but also represents the images/videos displayed on e-commerce platforms. Unfortunately, some attackers adopt some adversarial methods to fool the well-trained logo detection model for infringement. To overcome this problem, a novel logo detector based on the mechanism of looking and thinking twice is proposed in this paper for robust logo detection. The proposed detector is different from other mainstream detectors, which can effectively detect small objects, long-tail objects, and is robust to adversarial images. In detail, we extend detectoRS algorithm to a cascade schema with an equalization loss function, multi-scale transformations, and adversarial data augmentation. A series of experimental results have shown that the proposed method can effectively improve the robustness of the detection model. Moreover, we have applied the proposed methods to competition ACM MM2021 Robust Logo Detection that is organized by Alibaba on the Tianchi platform and won top 2 in 36489 teams. Code is available at https://github.com/jiaxiaojunQAQ/Robust-Logo-Detection.

연구 동기 및 목표

• 실제 전자상거래 환경에서 로고가 소형이며, 클래스 분포가 장꼬리형일 때, 악성 공격으로 인해 모델의 무결성이 손상되는 문제를 해결하기 위해.
• 악성 사용자가 잘 훈련된 로고 검출기의 우회를 시도하는 적대적 예외에 대한 강건성을 향상시키기 위해.
• 아키텍처 및 손실 함수 혁신을 통해 소형 객체와 낮은 빈도의(꼬리에 해당하는) 카테고리에서의 성능을 향상시키기 위해.
• 다중 척도 훈련과 적대적 데이터 증강이 검출 정확도와 강건성 향상에 기여하는지 검증하기 위해.

제안 방법

• 모델은 다중 척도에서의 특징 정제와 검출 정확도 향상을 위해 detectoRS에 계단식 아키텍처를 확장하였다.
• 가변적 수신장역할을 가능하게 하는 스위처블 아트로스 컨볼루션(SAC)과 재귀적 특징 피라미드(RFP)를 도입하여 특징 표현을 향상시켰다.
• 소형 로고 검출 성능 향상과 동시에 적대적 흐름에 대한 간접적 강건성 향상을 위해 다중 척도 훈련 및 테스트를 적용하였다.
• 장꼬리 카테고리 간 학습 균형을 확보하기 위해 등가 손실 v2(EQL-v2)를 통합하여 헤드 카테고리가 학습 과정을 지배하지 않도록 하였다.
• 모델이 왜곡된 이미지에 노출되도록 훈련 단계에서 적대적 데이터 증강을 도입하여 일반화 능력과 강건성을 향상시켰다.
• Open Brand 데이터셋(584,920장의 이미지, 130만 건의 애너테이션)을 기반으로 훈련하고, 소형 객체의 재현율 향상을 위해 소프트-NMS를 사용하여 미세조정하였다.

실험 결과

연구 질문

• RQ1 다중 척도 훈련을 통합한 계단식 객체 검출 프레임워크는 자연 이미지 내 소형 로고 검출 성능을 향상시킬 수 있는가?
• RQ2 EQL-v2는 실제 데이터셋에서 장꼬리 로고 카테고리의 성능 저하를 어느 정도 완화하는가?
• RQ3 적대적 데이터 증강은 적대적 예외에 대한 로고 검출기의 강건성을 향상시키는 데 얼마나 효과적인가?
• RQ4 다중 척도 훈련은 동시에 소형 객체 검출 성능 향상과 적대적 강건성 향상에 기여하는가?

주요 결과

• 제안된 검출기는 ACM MM2021 강건한 로고 검출 경쟁에서 mAP 0.650807을 기록하여 총 36,489개의 팀 중 두 번째로 높은 순위를 기록하였다.
• 다중 척도 훈련 및 테스트 도입으로 기준 모델인 계단식 RCNN 대비 약 3.9% 향상된 검출 성능을 확보하였다.
• 등가 손실 v2는 기준 모델 대비 성능 향상에 가장 큰 기여를 하였으며, 성능 향상률은 16.1%에 달하였다.
• 적대적 데이터 증강은 EQL-v2만큼의 영향을 주진 않았지만, 적대적 예외에 대한 강건성 향상에 명백한 기여를 하였다.
• 표준 NMS 대신 소프트-NMS를 사용함으로써 소형 객체 검출 성능이 향상되어 재현율이 향상되었다.
• 다중 척도 전략은 간접적으로 적대적 강건성을 향상시키는 것으로 나타나, 척도 인식 학습과 강건성 간 상호보완적 효과가 있음을 시사하였다.