[논문 리뷰] Control Distance IoU and Control Distance IoU Loss Function for Better Bounding Box Regression

Dong Chen, Duoqian Miao|arXiv (Cornell University)|2021. 03. 22.

Advanced Neural Network Applications참고 문헌 34인용 수 12

한 줄 요약

이 논문은 객체 검출을 위한 통합 평가-피드백 모듈인 Control Distance IoU (CDIoU) 및 CDIoU 손실을 제안한다. 이는 파rameter 수나 FLOPs를 증가시키지 않으면서도 바운딩 박스 회귀 성능을 향상시킨다. 일관된 거리 기반 측정 기준을 통해 IoU 계산과 손실 함수를 통합함으로써 수렴성과 성능이 향상되며, Faster R-CNN, YOLOv4, RetinaNet, ATSS 모델에서 MS COCO 데이터셋 기준 최대 1.9%의 AP 향상을 달성한다.

ABSTRACT

Numerous improvements for feedback mechanisms have contributed to the great progress in object detection. In this paper, we first present an evaluation-feedback module, which is proposed to consist of evaluation system and feedback mechanism. Then we analyze and summarize the disadvantages and improvements of traditional evaluation-feedback module. Finally, we focus on both the evaluation system and the feedback mechanism, and propose Control Distance IoU and Control Distance IoU loss function (or CDIoU and CDIoU loss for short) without increasing parameters or FLOPs in models, which show different significant enhancements on several classical and emerging models. Some experiments and comparative tests show that coordinated evaluation-feedback module can effectively improve model performance. CDIoU and CDIoU loss have different excellent performances in several models such as Faster R-CNN, YOLOv4, RetinaNet and ATSS. There is a maximum AP improvement of 1.9% and an average AP of 0.8% improvement on MS COCO dataset, compared to traditional evaluation-feedback modules.

연구 동기 및 목표

• 객체 검출에서 기존 평가-피드백 모듈의 비효율성과 일관성 부족 문제를 해결하기 위해.
• 일관된 측정 기준을 통해 평가 시스템과 피드백 메커니즘을 통합함으로써 바운딩 박스 회귀 성능을 향상시키기 위해.
• 모델 복잡성이나 추론 비용을 증가시키지 않으면서도 모델 수렴성과 성능을 향상시키기 위해.
• 다양한 one-stage 및 two-stage 검출기와 호환되는 즉시 사용 가능한 모듈을 개발하기 위해.

제안 방법

• IoU 기반의 평가 지표로, 겹침, 중심점 거리, 종횡비를 하나의 미분 가능 형태로 통합한 새로운 평가 지표인 Control Distance IoU (CDIoU)를 제안한다.
• CDIoU와 직접적으로 관련된 피드백 메커니즘으로서 CDIoU 손실을 도입하여 보다 정확한 기울기 갱신을 가능하게 한다.
• 영역 제안과 진짜값 간의 통합된 거리 측정을 사용하여 회귀 과정을 단순화하고 안정화한다.
• 기울기 흐름과 학습 중 수렴 속도를 향상시키기 위해 연속적이고 미분 가능한 수식을 활용한다.
• 기존 검출 프레임워크에서 IoU와 IoU 기반 손실의 즉시 교체 가능한 모듈로 CDIoU와 CDIoU 손실을 적용한다.
• Faster R-CNN, YOLOv4, RetinaNet, ATSS를 포함한 다양한 모델을 대상으로 방법을 검증하여 광범위한 호환성을 입증한다.

실험 결과

연구 질문

• RQ1 통합된 평가-피드백 모듈은 모델 복잡성 증가 없이 객체 검출 성능 향상에 기여할 수 있는가?
• RQ2 IoU 평가 지표와 손실 함수를 일치시킬 경우, 회귀 정확도와 수렴성에 어떤 영향을 미치는가?
• RQ3 CDIoU와 CDIoU 손실은 다양한 객체 검출 아키텍처에서 AP에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 앵커 기반 및 앵커리스 검출기 모두에서 일관된 성능 향상을 달성할 수 있는가?

주요 결과

• CDIoU와 CDIoU 손실은 기존 평가-피드백 모듈 대비 MS COCO 데이터셋에서 평균 0.8%의 AP 향상을 달성한다.
• Faster R-CNN과 ATSS에서 실험한 결과 최대 1.9%의 AP 향상이 관찰되었다.
• Faster R-CNN, YOLOv4, RetinaNet, ATSS 등 다양한 모델에서 일관된 성능 향상이 나타나 넓은 적용 가능성을 입증한다.
• CDIoU와 CDIoU 손실을 함께 사용할 경우 상호 보완적인 성능 향상이 발생하여 평가와 피드백 간 일관성의 중요성을 확인한다.
• 평가-피드백 모듈은 동일한 파arameter 수와 FLOPs를 유지하므로 실생활 시스템에 효율적이고 구현 가능하다.
• 유동적 학습률 스케줄링과 자동 GT 클러스터링 분석이 기본 모델에서 특히 성능 향상에 기여한다.