[논문 리뷰] Cascade R-CNN: Delving into High Quality Object Detection

Zhaowei Cai, Nuno Vasconcelos|arXiv (Cornell University)|2017. 12. 03.

Advanced Neural Network Applications참고 문헌 25인용 수 393

한 줄 요약

Cascade R-CNN은 다단계 검출기를 도입하여 점진적으로 더 높은 IoU 임계치를 적용하고, 재귀적으로 학습하고 추론 중에 적용하여 COCO에서 다양한 아키텍처에 걸쳐 고품질 객체 검출을 달성합니다.

ABSTRACT

In object detection, an intersection over union (IoU) threshold is required to define positives and negatives. An object detector, trained with low IoU threshold, e.g. 0.5, usually produces noisy detections. However, detection performance tends to degrade with increasing the IoU thresholds. Two main factors are responsible for this: 1) overfitting during training, due to exponentially vanishing positive samples, and 2) inference-time mismatch between the IoUs for which the detector is optimal and those of the input hypotheses. A multi-stage object detection architecture, the Cascade R-CNN, is proposed to address these problems. It consists of a sequence of detectors trained with increasing IoU thresholds, to be sequentially more selective against close false positives. The detectors are trained stage by stage, leveraging the observation that the output of a detector is a good distribution for training the next higher quality detector. The resampling of progressively improved hypotheses guarantees that all detectors have a positive set of examples of equivalent size, reducing the overfitting problem. The same cascade procedure is applied at inference, enabling a closer match between the hypotheses and the detector quality of each stage. A simple implementation of the Cascade R-CNN is shown to surpass all single-model object detectors on the challenging COCO dataset. Experiments also show that the Cascade R-CNN is widely applicable across detector architectures, achieving consistent gains independently of the baseline detector strength. The code will be made available at https://github.com/zhaoweicai/cascade-rcnn.

연구 동기 및 목표

• 고정된 IoU 임계치가 검출에서 양성 샘플과 어려운 잘못 탐지 간의 트레이드오프를 만든다는 문제를 동인으로 제시한다.
• 나중 단계가 더 높은 IoU(품질) 수준에 대해 특화되도록 계단식 검출 아키텍처를 제안한다.
• 계단식 학습과 추론이 학습과 테스트 제안 간의 과적합 및 분포 불일치를 완화함을 보여준다.
• Cascade R-CNN이 COCO에서 서로 다른 백본 검검기들 사이에서 일관된 이득을 제공하며 계산 비용이 크게 증가하지 않는다는 것을 보여준다.

제안 방법

• 점진적으로 제안되는 IoU 임계치 u^t로 학습된 검출기 계단을 도입하여 근접한 거짓 양성을 점차 제압한다.
• f_T ◦ f_{T-1} ◦ ... ◦ f_1로 구성된 계단식 바운딩 박스 회귀를 사용하여 단계별로 제안들을 정제하고, 각 단계의 학습 분포에 맞춰 회귀를 수행한다.
• Δ=(δx, δy, δw, δh)의 회귀 타깃을 단계별 평균/분산으로 정규화하여 다중 작업 학습을 안정화한다.
• 각 단계에서 L(x^t,g)=L_cls(h_t(x^t),y^t)+λ[y^t≥1]L_loc(f_t(x^t,b^t),g) 형태의 손실로 학습하여 단계별 품질 향상을 보장한다.
• 추론 시에도 동일한 cascaded 구성을 적용하여 가설의 품질을 각 단계의 검출기 능력과 맞춘다.
• 계단식 분포가 양성 샘플의 크기를 대체로 일정하게 유지하여 과적합을 줄이고 높은 IoU 성능을 향상시킨다.
• 전용 벨-앤-휘등의 필요 없이 Faster R-CNN, R-FCN, FPN 등 여러 기본 두 단계 검출기와의 호환성을 보여준다.

실험 결과

연구 질문

• RQ1 계단식 검출기 아키텍처가 단일 임계치 검출기에 비해 높은 IoU(고품질) 탐지에서 개선을 가져올 수 있는가?
• RQ2 점진적으로 증가하는 IoU 임계치로 학습 및 추론을 수행하면 제안 품질과 검출기 품질 간의 과적합 및 불일치를 줄일 수 있는가?
• RQ3 Cascade R-CNN이 COCO에서 서로 다른 기본 검출기와 백본에 대해 효과적인가?
• RQ4 계단 깊이와 단계별 IoU 임계치가 위치화 및 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• Cascade R-CNN은 일반 구현으로 COCO에서 모든 단일 모델 검출기보다 우수한 성능을 보인다.
• 베이스라인 검출기와 백본 간에 이득이 일관되게 나타나며 일반적으로 AP 포인트 2~4 범위의 향상을 보인다.
• 계단식 회귀는 고 IoU 가설에 대해 위치화를 개선하는 반면, 단일 회귀기나 반복적 BBox 접근 방식은 높은 IoU에서 악화된다.
• Integral-loss 다중 헤드 구성은 모든 지표에서 계단식 접근 방식에 의해 능가되지 않는다.
• 3단 Cascade R-CNN이 전체 균형에 가장 우수한 반면, 4단계는 수익이 감소하고 전체 AP를 해칠 수 있지만 높은 IoU 성능은 증가시킨다.
• 이 접근법은 Faster R-CNN, R-FCN, FPN 백본에서 일반화되어 검출기 강도가 증가함에 따라 이득이 유지된다.