[논문 리뷰] Confidence-Aware Learning for Camouflaged Object Detection

Jiawei Liu, Jing Zhang외 1명|arXiv (Cornell University)|2021. 06. 22.

Visual Attention and Saliency Detection참고 문헌 52인용 수 15

한 줄 요약

이 논문은 예측-참고값의 차이에서 유도된 동적 감독을 사용하여 탐지 네트워크와 신뢰도 추정 네트워크를 공동으로 훈련하는 신뢰도 인식 학습 프레임워크를 제안한다. 이 방법은 하드/불확실 영역으로의 학습을 이끌어내는 픽셀 단위의 신뢰도 맵을 생성하여 탐지 정확도를 향상시키고, 추론 시 기준값에 의존하지 않고도 모델에 의존적인 불확실성 해석을 가능하게 한다.

ABSTRACT

Confidence-aware learning is proven as an effective solution to prevent networks becoming overconfident. We present a confidence-aware camouflaged object detection framework using dynamic supervision to produce both accurate camouflage map and meaningful "confidence" representing model awareness about the current prediction. A camouflaged object detection network is designed to produce our camouflage prediction. Then, we concatenate it with the input image and feed it to the confidence estimation network to produce an one channel confidence map.We generate dynamic supervision for the confidence estimation network, representing the agreement of camouflage prediction with the ground truth camouflage map. With the produced confidence map, we introduce confidence-aware learning with the confidence map as guidance to pay more attention to the hard/low-confidence pixels in the loss function. We claim that, once trained, our confidence estimation network can evaluate pixel-wise accuracy of the prediction without relying on the ground truth camouflage map. Extensive results on four camouflaged object detection testing datasets illustrate the superior performance of the proposed model in explaining the camouflage prediction.

연구 동기 및 목표

• 배경과 유사한 외관을 가진 카모플라지드 오브젝트를 탐지하는 데 있어 경계 정의가 특히 어려운 문제에 대응한다.
• 특히 하드하거나 모호한 영역에서 딥 네트워크가 예측에 과도하게 자신감을 갖는 문제를 해결한다.
• 추론 시 기준값에 의존하지 않고도 모델의 인식 정도를 반영하는 픽셀 단위의 불확실성 맵을 제공하는 신뢰도 추정 네트워크를 개발한다.
• 신뢰도 기반 학습을 통해 손실 함수를 저신뢰도이자 탐지가 어려운 영역에 더 초점을 맞추어 탐지 성능을 향상시킨다.
• 오답 예측, 부족한 세그멘테이션, 경계 오류를 강조하는 설명 가능한 신뢰도 맵을 생성하여 모델 예측의 해석 가능성을 높인다.

제안 방법

• 카모플라지드 오브젝트 탐지 네트워크와 별도의 신뢰도 추정 네트워크를 포함하는 상호의존적 아키텍처를 설계한다.
• 입력 이미지와 탐지 네트워크의 출력을 연결하여 신뢰도 추정 네트워크에 입력으로 제공하고, 단일 채널의 신뢰도 맵을 생성한다.
• 탐지 네트워크의 예측과 기준값 카모플라지드 맵 간의 L1 차이를 사용하여 신뢰도 네트워크에 대한 동적 감독을 생성한다.
• 추정된 신뢰도 맵을 손실 함수에 가중치 마스크로 사용하여 훈련 중 하드/저신뢰도 픽셀에 더 큰 강조를 둔다.
• 신뢰도 유도 주의를 통합한 구조 손실을 사용하여 탐지 네트워크를 훈련함으로써 불확실한 영역에 더 많은 집중을 유도한다.
• 훈련 진행 상황에 따라 스케일링되는 동적 하이퍼파rameter λD 를 도입하여 손실 가중치를 적응적으로 조정함으로써 초기 단계의 안정성과 후기 단계의 정밀도 향상을 높인다.

실험 결과

연구 질문

• RQ1 기준값 의존 없이 추론 중인 동적 신뢰도 감독이 카모플라지드 오브젝트 탐지에서 불확실성 추정에 기여할 수 있는가?
• RQ2 신뢰도 기반 학습은 경계가 모호하거나 부분적으로 구조가 손상된 하드 샘플에 대해 탐지 성능에 어떤 영향을 미치는가?
• RQ3 기준값 없이도 추정된 신뢰도 맵이 모델의 불확실성과 예측 품질에 대한 신뢰할 수 있는 대체 지표로 기능할 수 있는가?
• RQ4 적응형 신뢰도 가중치(λD)는 훈련 안정성과 최종 탐지 정확도에 어떤 영향을 미치는가?
• RQ5 신뢰도 맵이 오답 예측, 부족한 세그멘테이션, 경계 오류를 효과적으로 강조하여 모델 개선을 이끌 수 있는가?

주요 결과

• 제안된 방법은 네 가지 벤치마크 카모플라지드 오브젝트 탐지 데이터셋에서 최신 기술 수준의 성능을 달성하여 뛰어난 정확도와 강건성을 입증하였다.
• 기준값 없이도 훈련된 네트워크가 생성한 신뢰도 맵이 오답 예측 영역, 부족한 세그멘테이션 영역, 경계 오류 영역을 효과적으로 강조함을 확인하였다.
• 동적 감독 전략은 잘못 분류된 영역에 대해 높은 불확실성을 할당하고 올바른 예측에는 높은 신뢰도를 할당하여 과도한 자신감을 감소시켰다.
• 신뢰도 맵은 훈련 중에 진화한다: 예측이 향상됨에 따라 고불확실성 영역이 줄어들고, 초기에 놓친 오브젝트 부분이 점차 복구된다.
• 고정된 λ=10 이 λ=3,5 와 동적 λD 를 초월하여 성능이 뛰어나, 더 높고 안정적인 신뢰도 가중치가 불확실 영역에서의 학습을 향상시킨다는 것을 시사한다.
• 신뢰도 추정 네트워크는 신뢰할 수 있는 평가 도구로 기능한다: 그 출력은 예측 품질과 상관관계가 있으며 기준값 없이도 모델의 해석을 유도할 수 있다.