[논문 리뷰] False Detection (Positives and Negatives) in Object Detection

Subrata Goswami|arXiv (Cornell University)|2020. 08. 16.

Advanced Neural Network Applications참고 문헌 5인용 수 13

한 줄 요약

이 실험적 연구는 영역 제안 생성 과정에서 발생하는 양자화 유도 오류를 분석함으로써 객체 검출에서의 가짜 양성 및 가짜 음성 현상을 조사한다. 레이블이 부여된 데이터, 특히 Open Images 2019 데이터셋을 활용하여 저자 는 레이블링 일관성 문제를 특정하고, 가짜 검출을 줄이기 위한 데이터 중심 개선 전략을 제안하며, 모델 성능에 영향을 미치는 핵심적인 데이터 품질 문제를 드러낸다.

ABSTRACT

Object detection is a very important function of visual perception systems. Since the early days of classical object detection based on HOG to modern deep learning based detectors, object detection has improved in accuracy. Two stage detectors usually have higher accuracy than single stage ones. Both types of detectors use some form of quantization of the search space of rectangular regions of image. There are far more of the quantized elements than true objects. The way these bounding boxes are filtered out possibly results in the false positive and false negatives. This empirical experimental study explores ways of reducing false positives and negatives with labelled data.. In the process also discovered insufficient labelling in Openimage 2019 Object Detection dataset.

연구 동기 및 목표

• 현대 객체 검출 파이프라인에서 가짜 양성 및 가짜 음성의 근본 원인을 조사하기 위해.
• 단일단계 및 이중단계 검출기에서 영역 양자화가 검출 오류에 미치는 영향을 분석하기 위해.
• Open Images 2019 객체 검출 데이터셋에서 데이터 품질, 특히 레이블 일관성 평가하기 위해.
• 개선된 레이블링과 필터링을 통해 가짜 검출을 줄이기 위한 데이터 중심 전략 제안하기 위해.
• 실험적으로 데이터 품질 문제들이 가짜 검출 오류에 크게 기여하고 있음을 입증하기 위해.

제안 방법

• 연구는 객체 검출기에서 영역를 양자화함으로써 생성된 바운딩 박스 제안을 분석한다.
• 예측된 바운딩 박스와 진짜값 바운딩 박스 간의 차이를 중시하여 레이블이 부여된 데이터를 사용해 검출 성능을 평가한다.
• 저자는 Open Images 2019 데이터셋에 대한 실험적 분석을 수행하여 객체 레이블링의 일관성 문제를 특정한다.
• 가짜 양성 및 음성은 빈약한 레이블링으로 인한 과도한 분할 및 오분류로 인해 발생한다.
• 시각적 검토 및 바운딩 박스 겹침과 이미지 간 레이블 일관성에 대한 통계적 분석을 포함한 방법을 사용한다.
• 이 접근법은 가짜 검출을 줄이기 위한 주요 수단으로 데이터 품질 평가를 강조한다.

실험 결과

연구 질문

• RQ1 영역 양자화가 객체 검출에서 가짜 양성 및 가짜 음성 생성에 어떤 역할을 하는가?
• RQ2 Open Images 2019과 같은 대규모 데이터셋에서의 레이블링 일관성 문제는 어떻게 가짜 검출 오류에 기여하는가?
• RQ3 데이터 품질 향상이 객체 검출기에서의 가짜 양성 및 가짜 음성 비율을 얼마나 줄일 수 있는가?
• RQ4 이중단계 검출기는 단일단계 검출기보다 더 잘 견디는가? 더 나은 필터링 덕분인가?
• RQ5 바운딩 박스 겹침과 레이블 일관성에 대한 실험적 분석은 체계적인 데이터 품질 문제를 식별할 수 있는가?

주요 결과

• 연구는 Open Images 2019 객체 검출 데이터셋에서 특히 객체 경계 레이블링에 있어 뚜렷한 레이블링 일관성 문제를 특정한다.
• 가짜 양성 및 음성은 주로 영역 제안의 열악한 양자화와 일관성 없는 레이블링으로 인해 발생한다.
• 분석 결과, 데이터셋 내 상당수의 바운딩 박스가 잘못 레이블링되거나 잘못 위치해 있어 모델의 일반화 능력에 영향을 준다.
• 데이터 품질 문제들이 모델 아키텍처와 무관하게 가짜 검출 오류의 주요 원인임이 입증된다.
• 레이블링 일관성 향상이 객체 검출에서의 가짜 양성 및 음성 비율을 크게 줄일 수 있음을 시사한다.
• 실험적 증거는 데이터 중심 접근법이 아키텍처 개선만큼 가짜 검출을 줄이기 위해 필수적임을 뒷받침한다.