[논문 리뷰] Dynamic Tiling: A Model-Agnostic, Adaptive, Scalable, and Inference-Data-Centric Approach for Efficient and Accurate Small Object Detection

Son The Nguyen, Theja Tulabandhula외 1명|arXiv (Cornell University)|2023. 09. 20.

Advanced Neural Network ApplicationsComputer Science인용 수 3

한 줄 요약

Dynamic Tiling는 모델 독립적이고 추론 데이터 중심적인 접근 방식을 제안하여 소형 객체 검출의 계산 오버헤드를 줄이고 정확도를 향상시킨다. 동적 겹침 비율과 타일 최소화 기법을 사용하여 균일 타일링 방법보다 적은 전방 계산 횟수로도 최신 기준 mAP@0.5s 성능을 달성한다. 초기 겹치지 않는 탐지 결과에 기반해 겹침 비율을 동적으로 조정하고, 대규모-소규모 객체 필터링 메커니즘을 적용함으로써, 소형 객체 검출의 정확도를 향상시킨다.

ABSTRACT

We introduce Dynamic Tiling, a model-agnostic, adaptive, and scalable approach for small object detection, anchored in our inference-data-centric philosophy. Dynamic Tiling starts with non-overlapping tiles for initial detections and utilizes dynamic overlapping rates along with a tile minimizer. This dual approach effectively resolves fragmented objects, improves detection accuracy, and minimizes computational overhead by reducing the number of forward passes through the object detection model. Adaptable to a variety of operational environments, our method negates the need for laborious recalibration. Additionally, our large-small filtering mechanism boosts the detection quality across a range of object sizes. Overall, Dynamic Tiling outperforms existing model-agnostic uniform cropping methods, setting new benchmarks for efficiency and accuracy.

연구 동기 및 목표

• 균일 타일링의 비효율성과 정확도 저하 문제를 해결하기 위해 동적 겹침 비율을 도입한다.
• 탐지 품질을 훼손하지 않으면서 추론 중 계산 오버헤드를 줄인다.
• 다양한 운영 환경에서 수작업 보정이 필요 없도록 한다.
• 대규모-소규모 객체 필터링 메커니즘을 통해 소형 및 대형 객체 모두의 탐지 정확도를 향상시킨다.
• 학습 또는 모델 아키텍처 변경 없이도 추론 단계에서 데이터 처리에 중점을 둔 추론-데이터 중심 패러다임을 구축한다.

제안 방법

• 기본 탐지를 생성하기 위해 겹치지 않는 타일에서 초기 추론을 수행하며, 이 결과를 바탕으로 동적 겹침 비율을 결정한다.
• 초기 탐지 신뢰도와 공간적 맥락을 기반으로 각 타일에 대해 동적 겹침 비율을 계산하여 분할된 객체를 복구한다.
• 중복되는 패치에 대해서만 필요한 경우에 한해 집계함으로써, 중복된 전방 계산을 최소화하는 타일 최소화 기법을 적용한다.
• 다중 패치 및 전체 이미지에서의 탐지 결과를 융합하여 국소화 정확도를 향상시키고 잡음 탐지(false positives)를 줄이는 대규모-소규모 필터링 메커니즘을 적용한다.
• 모델 독립적이며, 학습 또는 모델 아키텍처 변경 없이 추론 단계에서만 작동한다.
• 융합 후에 비최대 억제(NMS)를 적용하여 높은 신뢰도 탐지 결과를 유지하면서 예측을 병합한다.

실험 결과

연구 질문

• RQ1 고정 비율의 균일 타일링 대비 동적 겹침 비율이 소형 객체 검출 정확도 향상에 기여하는가?
• RQ2 지능적인 타일 집합을 통한 전방 계산 횟수 감소가 추론 효율성 유지 또는 향상에 기여하는가?
• RQ3 모델 독립적이고 추론-데이터 중심 접근 방식이 아키텍처 수정 없이도 기존 균일 자르기 방법을 능가할 수 있는가?
• RQ4 대규모-소규모 필터링 메커니즘이 소형 및 대형 객체 모두에 대해 탐지 분할 문제를 얼마나 효과적으로 해결하는가?
• RQ5 재보정 없이 다양한 운영 환경에 Dynamic Tiling가 얼마나 잘 적응할 수 있는가?

주요 결과

• Dynamic Tiling는 기존의 모델 독립적 균일 자르기 방법보다 뚜렷하게 뛰어난 최신 기준 mAP@0.5s 성능을 달성한다.
• 중복 타일에서의 불필요한 추론을 지능적으로 최소화함으로써 객체 검출 모델을 통과하는 전방 계산 횟수를 줄인다.
• 동적 겹침 비율은 특히 타일 경계 근처에 위치한 소형 객체의 분할된 탐지 결과를 효과적으로 복구한다.
• 대규모-소규모 필터링 메커니즘은 소형 및 대형 객체 모두의 탐지 품질을 향상시킨다. 특히 다수의 타일에 걸쳐 있는 대형 객체에 대해 유용하다.
• 재보정 또는 재학습 없이도 다양한 환경에 대해 뛰어난 적응성을 보이며, 강력한 유연성을 입증한다.
• 종합적으로 Dynamic Tiling는 실시간 추론 환경에서 소형 객체 검출의 효율성과 정확도 기준을 새롭게 설정한다.