[논문 리뷰] Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

Zhaohui Zheng, Ping Wang외 4명|arXiv (Cornell University)|2019. 11. 19.

Advanced Neural Network Applications참고 문헌 27인용 수 876

한 줄 요약

DIoU와 CIoU 손실을 bounding box 회귀에 도입하여 IoU 및 GIoU보다 더 빠른 수렴과 더 나은 정확도를 달성하고, DIoU-NMS가 물체 탐지 성능을 향상시킴을 보여준다.

ABSTRACT

Bounding box regression is the crucial step in object detection. In existing methods, while $\ell_n$-norm loss is widely adopted for bounding box regression, it is not tailored to the evaluation metric, i.e., Intersection over Union (IoU). Recently, IoU loss and generalized IoU (GIoU) loss have been proposed to benefit the IoU metric, but still suffer from the problems of slow convergence and inaccurate regression. In this paper, we propose a Distance-IoU (DIoU) loss by incorporating the normalized distance between the predicted box and the target box, which converges much faster in training than IoU and GIoU losses. Furthermore, this paper summarizes three geometric factors in bounding box regression, \ie, overlap area, central point distance and aspect ratio, based on which a Complete IoU (CIoU) loss is proposed, thereby leading to faster convergence and better performance. By incorporating DIoU and CIoU losses into state-of-the-art object detection algorithms, e.g., YOLO v3, SSD and Faster RCNN, we achieve notable performance gains in terms of not only IoU metric but also GIoU metric. Moreover, DIoU can be easily adopted into non-maximum suppression (NMS) to act as the criterion, further boosting performance improvement. The source code and trained models are available at https://github.com/Zzh-tju/DIoU.

연구 동기 및 목표

• IoU 기반 평가 지표와 맞춰진 바운딩 박스 회귀 손실을 동기화한다.
• IoU 및 GIoU 손실의 느린 수렴과 부정확성을 해결한다.
• 거리 및 가로세로 비 요소를 포함하는 DIoU 및 CIoU 손실을 제안한다.
• VOC 및 COCO 데이터셋에서 YOLOv3, SSD, Faster R-CNN의 성능 개선을 입증한다.
• DIoU를 NMS에 통합하여 더 나은 억제를 달성한다.

제안 방법

• IoU 손실에 정규화된 중심점 거리 패널티를 더하여 L_DIoU = 1 - IoU + rho^2(b, bgt) / c^2 로 DIoU 손실 정의.
• CIoU 손실은 적응 가중치 α를 가지는 비율 일치 항 v를 포함하도록 확장한다.
• DIoU와 CIoU의 기울기를 도출하고 CIoU에서 작은 w,h에 대한 안정적 처리를 보장한다.
• DIoU를 NMS 기준(DIoU-NMS)으로 도입하여 중복 박스를 억제한다.
• YOLO v3, SSD, Faster R-CNN에 DIoU 및 CIoU를 통합하고 VOC 2007+2012 및 COCO 2017에서 평가한다.
• 소스 코드와 학습 모델을 공개적으로 제공한다.

실험 결과

연구 질문

• RQ1 정규화된 중심점 거리(DIoU)를 직접 최소화하는 것이 IoU 기반 손실보다 더 빠르고 정확한 바운딩 박스 회귀를 낼 수 있는가?
• RQ2 가로세로 비일치(CIoU) 요소를 도입하면 수렴과 정확도가_detector 유형 및 데이터셋 전반에 걸쳐 더 향상되는가?
• RQ3 DIoU-NMS가 차폐 및 혼잡한 환경에서 표준 NMS보다 더 강건한가?
• RQ4 DIoU/CIoU 손실이 VOC와 COCO에서 단일-단계 및 이단계 탐지기들 간에 일관된 개선을 제공하는가?

주요 결과

• DIoU 손실은 회귀 시뮬레이션에서 IoU 및 GIoU보다 더 빠르게 수렴하고, YOLO v3 및 SSD를 사용한 VOC에서 AP 및 AP75를 향상시킨다.
• CIoU 손실은 겹침, 중심 거리, 가로세로 비를 고려하여 회귀를 더 향상시키며, 여러 설정에서 DIoU보다 더 큰 이득을 제공한다.
• DIoU-NMS는 여러 탐지기 및 데이터세트에서 표준 NMS에 비해 추가적인 향상을 제공한다.
• VOC 07+12에서 YOLO v3의 경우 CIoU는 IoU/GIoU 베이스라인 대비 5.67% AP 및 8.95% AP75의 개선을 달성; DIoU는 3.29% AP 및 6.02% AP75의 개선을 달성.
• VOC에서 SSD의 경우 DIoU와 CIoU가 IoU 및 GIoU를 능가하며 CIoU가 GIoU 대비 최대 2.59% AP 및 2.92% AP75의 이득을 달성.
• COCO의 Faster R-CNN에서 CIoU는 AP, AP75, 대형 및 중형 객체 성능에서 뚜렷한 이득을 제공하며, DIoU 역시 특히 DIoU-NMS과 함께 소형 객체에 대한 개선을 보인다.
• DIoU-NMS는 VOC/COCO 실험에서 Threshold를 넘나들며 일관되게 원래 NMS보다 우수한다.