[논문 리뷰] Deep Gradient Learning for Efficient Camouflaged Object Detection

Ge-Peng Ji, Deng-Ping Fan외 4명|arXiv (Cornell University)|2022. 05. 25.

Visual Attention and Saliency Detection인용 수 11

한 줄 요약

이 논문은 객체 경계 대비 낮은 대비와 모호한 특징을 가진 복잡한 환경에서의 카모플라주드 오브젝트 검출을 위한 새로운 딥러닝 프레임워크인 DGNet을 제안한다. 객체 경도 감독을 활용하여 특징의 구분력을 향상시키며, 경도 유도 전이 모듈을 통해 맥락과 텍스처 인코딩을 분리함으로써 높은 효율성과 함께 최신 기술 수준(SoTA) 성능을 달성한다. 이는 80 fps의 추론 속도와 JCSOD-CVPR21 모델의 6.82%에 불과한 파라미터 수를 기록한다.

ABSTRACT

This paper introduces DGNet, a novel deep framework that exploits object gradient supervision for camouflaged object detection (COD). It decouples the task into two connected branches, i.e., a context and a texture encoder. The essential connection is the gradient-induced transition, representing a soft grouping between context and texture features. Benefiting from the simple but efficient framework, DGNet outperforms existing state-of-the-art COD models by a large margin. Notably, our efficient version, DGNet-S, runs in real-time (80 fps) and achieves comparable results to the cutting-edge model JCSOD-CVPR$_{21}$ with only 6.82% parameters. Application results also show that the proposed DGNet performs well in polyp segmentation, defect detection, and transparent object segmentation tasks. Codes will be made available at https://github.com/GewelsJI/DGNet.

연구 동기 및 목표

• 복잡한 환경에서 저경계 대비와 모호한 특징을 가진 카모플라주드 오브젝트를 탐지하는 데 도전하는 것.
• 경계 또는 불확실성 감독에만 의존하는 것 대신, 객체 경도 맵을 활용하여 특징의 구분력을 향상시키는 것.
• 실제 적용에 적합한 성능과 추론 속도를 균형 잡은 효율적이고 강력한 아키텍처를 설계하는 것.
• 폴리프 세그멘테이션, 결함 탐지, 투명 오브젝트 세그멘테이션과 같은 다양한 후행 작업에 대한 일반화 성능을 검증하는 것.

제안 방법

• DGNet은 검출 작업을 두 가지 브랜치로 분리한다: 고수준 의미 정보를 위한 맥락 인코더와 저수준 구조적 세부 정보를 위한 텍스처 인코더.
• 경도 유도 전이(GIT) 모듈은 객체 경도 맵의 강도 변화에 기반해 두 브랜치의 특징을 융합함으로써 소프트 그룹화를 수행한다.
• 객체 경도 감독을 명시적으로 사용하여 네트워크가 카모플라주드 오브젝트 내에서 강도 변화가 높은 영역에 집중하도록 유도함으로써 배경 노이즈를 감소시킨다.
• 프레임워크는 교차 엔트로피 손실과 딱스 손실을 함께 사용하여 엔드 투 엔드로 훈련되며, 카모플라주드 오브젝트 벤치마크에서 세그멘테이션 성능을 최적화한다.
• 모델 압축과 파라미터 공유를 통해 유도된 효율적 변종인 DGNet-S는 실시간 추론을 달성한다.
• 핵심 아키텍처를 유지하면서 태스크별 데이터셋을 사용해 후행 작업에 대해 미세조정한다.

실험 결과

연구 질문

• RQ1 경계 또는 불확실성 감독에 비해 객체 경도 감독이 카모플라주드 오브젝트 검출의 특징 학습에 기여하는가?
• RQ2 맥락과 텍스처 특징을 효과적으로 융합하여 카모플라주드 오브젝트 표현의 모호성을 줄일 수 있는가?
• RQ3 어려운 COD 벤치마크에서 성능을 희생시키지 않고도 경량화된 실시간 모델을 설계할 수 있는가?
• RQ4 제안된 프레임워크가 폴리프 세그멘테이션 및 투명 오브젝트 탐지와 같은 후행 작업에 잘 일반화되는가?

주요 결과

• DGNet은 NC4K-Te, CAMO-Te, COD10K-Te 세 가지 주요 COD 벤치마크에서 최신 기술 수준 성능을 기록했으며, 각각 Sα가 0.857, 0.839, 0.822였다.
• CAMO-Te에서 F-측정치는 0.922를 기록하여 이전 최신 기술 수준 방법들보다 정확도와 강건성 면에서 뛰어난 성능을 보였다.
• DGNet-S는 80 fps로 실행되며 뿐만 아니라 8.3M의 파라미터를 사용하여 JCSOD-CVPR21에 비해 성능은 유사하지만 파라미터 수는 단 6.82%에 불과했다.
• 폴리프 세그멘테이션에서 DGNet은 CVC-ColonDB와 ETIS-LPDB에서 네 가지 최신 기술 수준 방법을 초월하여 딱스 점수 0.741과 Fwβ 0.690을 기록했다.
• 도로 균열 탐지에서 재학습된 DGNet은 CrackForest 데이터셋에서 뛰어난 성능을 보였으며, 빛나는 시각적 세그멘테이션 결과를 제공했다.
• 투명 오브젝트 세그멘테이션에서 재학습된 DGNet은 Trans10K에서 고품질 예측을 생성하여 새로운 도메인으로의 강력한 일반화 능력을 입증했다.