[논문 리뷰] DAFNe: A One-Stage Anchor-Free Deep Model for Oriented Object Detection

Steven Lang, Fabrizio Ventola외 1명|arXiv (Cornell University)|2021. 09. 13.

Advanced Neural Network Applications참고 문헌 46인용 수 9

한 줄 요약

DAFNe는 방향 인식 중심도 함수와 중심에서 모서리로의 바운딩 박스 예측 전략을 사용하여 정확도를 향상시키는 one-stage, anchor-free 딥 네트워크로, DOTA 1.0에서 76.95% mAP을 달성하여 이전 최고의 one-stage anchor-free 모델 대비 4.65% 향상된 새로운 최고 성능을 기록했다.

ABSTRACT

Object detection is a fundamental task in computer vision. While approaches for axis-aligned bounding box detection have made substantial progress in recent years, they perform poorly on oriented objects which are common in several real-world scenarios such as aerial view imagery and security camera footage. In these cases, a large part of a predicted bounding box will, undesirably, cover non-object related areas. Therefore, oriented object detection has emerged with the aim of generalizing object detection to arbitrary orientations. This enables a tighter fit to oriented objects, leading to a better separation of bounding boxes especially in case of dense object distributions. The vast majority of the work in this area has focused on complex two-stage anchor-based approaches. Anchors act as priors on the bounding box shape and require attentive hyper-parameter fine-tuning on a per-dataset basis, increased model size, and come with computational overhead. In this work, we present DAFNe: A Dense one-stage Anchor-Free deep Network for oriented object detection. As a one-stage model, DAFNe performs predictions on a dense grid over the input image, being architecturally simpler and faster, as well as easier to optimize than its two-stage counterparts. Furthermore, as an anchor-free model, DAFNe reduces the prediction complexity by refraining from employing bounding box anchors. Moreover, we introduce an orientation-aware generalization of the center-ness function for arbitrarily oriented bounding boxes to down-weight low-quality predictions and a center-to-corner bounding box prediction strategy that improves object localization performance. DAFNe improves the prediction accuracy over the previous best one-stage anchor-free model results on DOTA 1.0 by 4.65% mAP, setting the new state-of-the-art results by achieving 76.95% mAP.

연구 동기 및 목표

• 항공 영상이나 보안 영상과 같이 물체가 자주 방향을 가진 실제 환경에서 축에 맞춰진 물체 검출의 한계를 해결하기 위해.
• 높은 계산 비용, 복잡한 하이퍼파라미터 튜닝, 모델 크기 증가 등의 문제점을 겪는 이단계, anchor 기반 방법의 단점을 극복하기 위해.
• 방향 물체 검출을 위한 더 단순하고 빠르며 정확도가 높은 one-stage anchor-free 모델을 개발하기 위해.
• 중심에서 모서리로의 예측 전략과 방향 인식 중심도 함수를 도입하여 국소화 정확도를 향상시키기 위해.

제안 방법

• DAFNe는 특징 맵 전역에서 조밀한 예측을 수행하여 anchor 박스가 필요 없게 하고 예측 복잡도를 감소시킨다.
• 임의의 방향으로 기울여진 바운딩 박스에 대해 저품질 예측을 억제하기 위해 중심도 함수의 방향 인식 일반화를 도입한다.
• 중심점에서 네 개의 모서리로의 바운딩 박스 예측 전략을 사용하여 국소화 정밀도를 향상시킨다.
• 이중단계 모델 대비 더 빠른 추론과 더 쉬운 최적화를 가능하게 하기 위해 one-stage 검출기로 설계된다.
• 백본 네트워크의 특징 맵을 활용하여 한 번의 순방향 전파로 클래스 점수, 박스 좌표, 방향 각도를 예측한다.
• 회전된 바운딩 박스를 처리하기 위해 방향 인식 중심도 함수를 특별히 조정하여 회전 인식 신뢰도 점수를 통합한다.

실험 결과

연구 질문

• RQ1 anchor 우선 사전에 의존하지 않고 one-stage anchor-free 모델이 방향 물체 검출에서 최고 성능을 달성할 수 있는가?
• RQ2 방향 인식 중심도 함수는 임의의 방향으로 기울여진 물체에 대해 검출 품질을 어떻게 향상시키는가?
• RQ3 중심에서 모서리로의 예측 전략은 밀도가 높고 기울여진 물체 상황에서 국소화 정확도를 얼마나 향상시키는가?
• RQ4 기존의 이단계 및 anchor 기반 방향 검출 방법과 비교해 DAFNe는 정확도와 효율성 측면에서 어떻게 성과를 내는가?

주요 결과

• DAFNe는 DOTA 1.0 데이터셋에서 76.95% mAP를 기록하여 one-stage anchor-free 모델 중 최고 성능을 달성했다.
• DAFNe는 DOTA 1.0에서 이전 최고의 one-stage anchor-free 모델 대비 4.65% mAP 향상된 정확도를 확보했다.
• 방향 인식 중심도 함수는 기울여진 물체에서 저품질 예측에 대한 가중치를 낮춰 거짓 긍정을 효과적으로 감소시켰다.
• 중심에서 모서리로의 예측 전략은 특히 밀도가 높은 물체 상황에서 더 타이트한 바운딩 박스 피팅을 기여했다.
• one-stage, anchor-free 아키텍처 덕분에 DAFNe는 이단계 anchor 기반 검출기 대비 뛰어난 추론 속도와 모델 단순성을 보였다.
• 제거 분석 결과, 방향 인식 중심도 함수와 중심에서 모서리로의 전략이 성능 향상에 핵심적인 역할을 한다는 것이 확인되었다.