[논문 리뷰] Edge-guided Representation Learning for Underwater Object Detection

Linhui Dai, Hong Liu외 4명|arXiv (Cornell University)|2023. 06. 01.

Underwater Acoustics Research인용 수 4

한 줄 요약

이 논문은 저명도가 낮고, 작은 물체 및 숨겨진 상황에서의 물체 검출 성능을 향상시키기 위해 에지 지도형 표현 학습 프레임워크인 ERL-Net을 제안한다. 이는 에지 인식 주의, 다중 척도 특징 집합, 넓은 비대칭 수신장 기반으로 특징의 판별 능력을 향상시킨다. 이 방법은 저명도가 낮고, 작은 물체 및 숨겨진 상황에서의 검출 성능을 향상시키기 위해 에지 신호를 명시적으로 활용함으로써, UTDAC2020, TrashCan, Brackish 데이터셋에서 최신 기술(SOTA) 성능을 달성한다.

ABSTRACT

Underwater object detection (UOD) is crucial for marine economic development, environmental protection, and the planet's sustainable development. The main challenges of this task arise from low-contrast, small objects, and mimicry of aquatic organisms. The key to addressing these challenges is to focus the model on obtaining more discriminative information. We observe that the edges of underwater objects are highly unique and can be distinguished from low-contrast or mimicry environments based on their edges. Motivated by this observation, we propose an Edge-guided Representation Learning Network, termed ERL-Net, that aims to achieve discriminative representation learning and aggregation under the guidance of edge cues. Firstly, we introduce an edge-guided attention module to model the explicit boundary information, which generates more discriminative features. Secondly, a feature aggregation module is proposed to aggregate the multi-scale discriminative features by regrouping them into three levels, effectively aggregating global and local information for locating and recognizing underwater objects. Finally, we propose a wide and asymmetric receptive field block to enable features to have a wider receptive field, allowing the model to focus on more small object information. Comprehensive experiments on three challenging underwater datasets show that our method achieves superior performance on the UOD task.

연구 동기 및 목표

• 저명도가 낮은 수중 이미지, 작은 밀도 높은 물체, 수중 생물의 숨겨짐 현상 등의 과제를 해결한다.
• 배경 혼잡도와 색상 모방으로 인해 검출이 어려운 복잡한 수중 환경에서 특징의 판별 능력을 향상시킨다.
• 에지 정보를 강력한 사전 지식으로 활용하여 표현 학습을 이끌고 정확도를 향상시킨다.
• 에지 지도형 기반의 다중 척도 특징 학습 및 맥락 모델링을 통합한 통합 프레임워크를 설계한다.

제안 방법

• 에지 맵을 사용하여 경계 정보를 명시적으로 모델링하는 에지 지도형 주의(EGA) 모듈을 제안하여 특징 표현을 개선한다.
• 다중 척도 특징을 저수준, 중간수준, 고수준 표현으로 재구성하여 전역 및 국소 맥락을 융합하는 특징 집합(FA) 모듈을 도입한다.
• 비대칭적으로 수신장을 확장하는 넓고 비대칭적인 수신장 블록(WA-RFB)을 설계하여 작은 물체에 대한 민감도를 향상시킨다.
• EGA, FA, WA-RFB 모듈을 통합한 네트워크 아키텍처를 설계하여 단일 단계(예: RetinaNet) 및 이중 단계(예: Faster R-CNN, Cascade R-CNN) 검출기 모두와 호환되도록 한다.
• 학습 중에 에지 맵을 보조 지도 신호로 활용하여 주의 및 특징 학습을 이끌지만, 추가 애너테이션을 필요로 하지 않는다.
• 검출 헤드 예측과 에지 인식 특징 개선을 통합한 다중 작업 학습 전략을 활용하여 엔드 투 엔드 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 명시적인 에지 지도가 저명도가 낮은 수중 이미지에서 특징의 판별 능력을 향상시키는가?
• RQ2 에지 지도형 주의는 작은 또는 숨겨진 수중 물체의 정위치 및 식별 성능을 어떻게 향상시키는가?
• RQ3 에지 신호에 의해 이끌리는 다중 척도 특징 집합이 다양한 수중 환경에서 검출 성능 향상에 얼마나 기여하는가?
• RQ4 기본 컨볼루션 수신장에 비해 넓고 비대칭적인 수신장이 작은 물체 검출을 위한 맥락 정보를 더 잘 포착하는가?

주요 결과

• ERL-Net은 UTDAC2020 데이터셋에서 COCO 스타일의 AP@[0.5:0.05:0.95] 지표로 평균 정밀도(mAP) 0.484를 달성하여 SOTA 기법인 SABL 및 NAS-FCOS를 초월한다.
• 작은 물체에 대해 ERL-Net은 IoU=0.75일 때 mAP 0.128을 기록했으며, SABL(0.085) 및 NAS-FCOS(0.091) 대비 2.5–3.7% 향상되어 미세하고 검출이 어려운 대상에서도 뛰어난 성능을 보였다.
• AP50는 0.836으로 상승하여 SABL(0.815) 및 NAS-FCOS(0.423)보다 유의미하게 높아졌으며, 낮은 IoU 임계값에서의 검출 재현율 향상을 시사한다.
• 정성적 결과에서는 ERL-Net이 정밀한 에지 특징을 활용함으로써, 수중 장비를 에키누스로 오인하는 등의 잘못된 양성 결과를 줄였다.
• 절단 실험 결과, 채널별 주의(CA)와 함께 에지 지도형 주의(EGA)를 사용할 경우 mAP 0.484를 기록하여 CA 단독 사용(0.477)보다 높은 성능을 보였으며, 에지 지도의 추가 가치를 입증했다.
• 주의 맵의 시각화 결과, ERL-Net이 물체의 전체 경계에 집중함으로써 중심 영역만이 아닌 형태 인식 기반 검출을 향상시켰다.