[논문 리뷰] DuBox: No-Prior Box Objection Detection via Residual Dual Scale Detectors

Shuai Chen, Jinpeng Li외 5명|arXiv (Cornell University)|2019. 04. 15.

Advanced Neural Network Applications참고 문헌 29인용 수 5

한 줄 요약

DuBox는 임의의 박스(앵커)를 제거하기 위해 잔차 이중스케일 검출기 아키텍처를 사용하는 일단계 객체 검출 방법을 제안한다. 여기서 두 번째 검출기는 첫 번째 검출기로부터 잔차를 학습하여 스케일 일반화를 향상시킨다. DuBox는 PASCAL VOC 2007에서 82.31% mAP, COCO에서 39.52% AP의 최고 성능을 기록하면서도 320×320 입력에서 실시간 추론(50 FPS)을 유지한다.

ABSTRACT

Traditional neural objection detection methods use multi-scale features that allow multiple detectors to perform detecting tasks independently and in parallel. At the same time, with the handling of the prior box, the algorithm's ability to deal with scale invariance is enhanced. However, too many prior boxes and independent detectors will increase the computational redundancy of the detection algorithm. In this study, we introduce Dubox, a new one-stage approach that detects the objects without prior box. Working with multi-scale features, the designed dual scale residual unit makes dual scale detectors no longer run independently. The second scale detector learns the residual of the first. Dubox has enhanced the capacity of heuristic-guided that can further enable the first scale detector to maximize the detection of small targets and the second to detect objects that cannot be identified by the first one. Besides, for each scale detector, with the new classification-regression progressive strapped loss makes our process not based on prior boxes. Integrating these strategies, our detection algorithm has achieved excellent performance in terms of speed and accuracy. Extensive experiments on the VOC, COCO object detection benchmark have confirmed the effectiveness of this algorithm.

연구 동기 및 목표

• 일단계 객체 검출에서 사전 박스(앵커)가 필요 없도록 하되 정확도를 유지하거나 향상시키기.
• 다중스케일 검출에서 다수의 독립적 검출기와 앵커 박스로 인한 계산 중복을 줄이기.
• 첫 번째 검출기로부터의 잔차를 학습하는 이중스케일 검출기 아키텍처를 설계하여 스케일 일반화를 향상시키기.
• 히우리스틱 기반 특징 선택과 점진적 손실을 통해 소형 및 대형 객체의 검출 성능 향상시키기.
• 속도와 정확도 사이에 우수한 균형을 이루어 자원 제약이 있는 플랫폼에서 실시간 배포가 가능하도록 하기.

제안 방법

• 두 번째 검출기가 첫 번째 검출기의 잔차를 학습하는 이중스케일 잔차 유닛을 도입하여 공동 추론을 가능하게 하고 중복을 줄인다.
• 사전 박자를 기반으로 하지 않는 분류-회귀 점진적 띠어진 손실을 적용하여 바운딩 박스를 직접적으로 회귀할 수 있도록 한다.
• 특징 피라미드에서 다중스케일 특징을 활용하지만, 다수의 독립적 검출기 대신 두 개의 검출기만 사용하여 계산 부담을 감소시킨다.
• 히우리스틱 기반 특징 선택을 적용하여 첫 번째 검출기가 소형 객체에 특화되고 두 번째 검출기가 더 큰 객체 또는 놓친 객체에 특화되도록 유도한다.
• 고성능과 모바일 및 임베디드 추론 프레임워크와의 호환성을 위해 오로지 합성곱, 역합성곱, 활성화 레이어만을 활용한다.
• 학습 시 학습률 스케줄을 적용한다: VOC에서는 80k 반복 동안 10⁻³, 이후 40k 반복 동안 10⁻⁴; COCO에서는 280k 반복 동안 10⁻³, 이후 각각 180k와 140k 반복 동안 10⁻⁴ 및 10⁻⁵를 사용한다.

실험 결과

연구 질문

• RQ1 일단계 객체 검출에서 사전 박스(앵커) 없이도 높은 정확도를 달성할 수 있는가?
• RQ2 잔차 학습을 통한 이중스케일 검출기 아키텍처는 독립적인 다중스케일 검출기 대비 스케일 일반화를 향상시키고 중복을 줄일 수 있는가?
• RQ3 앵커 기반 방법과 비교해 볼 때, 앵커 없이도 분류-회귀 점진적 손실이 더 나은 바운딩 박스 회귀 성능을 제공하는가?
• RQ4 두 개의 스케일 헤드만을 포함하는 최소한의 검출기 설계가 기존의 앵커 기반 검출기보다 더 높은 mAP와 더 빠른 추론 성능을 달성할 수 있는가?
• RQ5 PASCAL VOC에서 mAP > 79%를 확보하면서도 앵커 기반 아님에도 불구하고 실시간 추론(50 FPS)을 달성할 수 있는가?

주요 결과

• DuBox는 800×800 입력에서 PASCAL VOC 2007에서 82.31% mAP를 기록하여 대부분의 일단계 검출기와 몇몇 이단계 방법을 능가한다.
• COCO에서 DuBox는 800×800 입력으로 38.03% AP에 도달하여 RetinaNet 및 YOLOv3와 같은 여러 일단계 검출기보다 뛰어난 성능을 보였다.
• 다중스케일 입력을 사용할 경우 DuBox는 COCO에서 39.52% AP를 기록하여 강력한 일반화 능력과 강인함을 입증했다.
• DuBox는 320×320 입력 크기에서 20.0ms(50 FPS) 내로 이미지를 처리하여, VOC 2007에서 50 FPS에서 79.31% 이상의 mAP를 확보한 최초의 앵커 기반 아님 방법이 되었다.
• 첫 번째 검출기는 소형 객체(예: botte)에서 더 높은 mAP를 기록하는 반면, 두 번째 검출기는 대형 객체(예: airplane)에서 뛰어난 성능을 보여 이중스케일 잔차 설계의 효과를 확인했다.
• 점진적 띠어진 손실은 앵커 없이도 정확한 회귀를 가능하게 했고, 이중스케일 잔차 유닛은 중복을 줄이며 검출 능력을 향상시켰다.