[논문 리뷰] FCOS: A simple and strong anchor-free object detector

Zhi Tian, Chunhua Shen외 2명|arXiv (Cornell University)|2020. 06. 14.

Advanced Neural Network Applications참고 문헌 57인용 수 38

한 줄 요약

FCOS는 픽셀 단위 예측, 중심성 가지(branch), 다중 레벨 FPN을 사용하여 앵커 박스 없이 경쟁력 있는 정확도를 달성하는 완전 합성곱, 앵커 프리 원스테이지 객체 탐지기를 제시합니다.

ABSTRACT

In computer vision, object detection is one of most important tasks, which underpins a few instance-level recognition tasks and many downstream applications. Recently one-stage methods have gained much attention over two-stage approaches due to their simpler design and competitive performance. Here we propose a fully convolutional one-stage object detector (FCOS) to solve object detection in a per-pixel prediction fashion, analogue to other dense prediction problems such as semantic segmentation. Almost all state-of-the-art object detectors such as RetinaNet, SSD, YOLOv3, and Faster R-CNN rely on pre-defined anchor boxes. In contrast, our proposed detector FCOS is anchor box free, as well as proposal free. By eliminating the pre-defined set of anchor boxes, FCOS completely avoids the complicated computation related to anchor boxes such as calculating the intersection over union (IoU) scores during training. More importantly, we also avoid all hyper-parameters related to anchor boxes, which are often sensitive to the final detection performance. With the only post-processing non-maximum suppression (NMS), we demonstrate a much simpler and flexible detection framework achieving improved detection accuracy. We hope that the proposed FCOS framework can serve as a simple and strong alternative for many other instance-level tasks. Code and pre-trained models are available at: https://git.io/AdelaiDet

연구 동기 및 목표

• 현대 탐지기에서 디자인과 학습의 단순화를 위해 앵커 박스를 제거하는 것을 동기 부여한다.
• FCN의 분할에서의 객체 탐출에 유사한 픽셀 단위 예측 프레임워크를 제시한다.
• 저품질 탐지를 억제하기 위한 중심성 메커니즘을 도입한다.
• 다중 레벨 피쳐 피라미드를 활용하여 재현율을 높이고 중첩으로 인한 모호성을 줄인다.

제안 방법

• 전경 픽셀마다 4D 바운딩 박스 벡터 (l, t, r, b)를 예측한다.
• 앵커 없이 탐지를 위해 포컬 로스를 사용하는 80 클래스 이진 분류 헤드를 사용한다.
• 피처 레벨 스트라이드로 스케일링된 회귀 타깃으로 학습하고 박스 회귀에 GIoU 로스를 적용한다.
• 중심성 가지를 도입하여 객체 중심까지의 거리로 최종 점수에 가중치를 준다.
• 다양한 스케일의 객체를 다루고 중복 모호성을 줄이기 위해 FPN의 다중 레벨 예측(P3–P7)을 사용한다.
• 추론 중 각 위치의 점수는 s = sqrt(p * centerness)이다.

실험 결과

연구 질문

• RQ1 완전한 앵커 프리, 픽셀 단위 예측 프레임워크에서 객체 탐기가 효과적으로 수행될 수 있는가?
• RQ2 앵커 프리 탐지기에서 다중 레벨 예측(FPN)이 겹치는 그라운드 트루스 박스에서의 모호성을 완화하는가?
• RQ3 중심성 가지가 저품질 탐지를 효과적으로 억제하고 AP를 향상시키는가?
• RQ4 COCO에서 FCOS는 RetinaNet과 같은 앵커 기반 탐지기와 정확도 및 효율성면에서 어떻게 비교되는가?

주요 결과

• 앵커 기반 탐지기와 비교하여 COCO에서 경쟁력 있는 AP를 달성(예: 중심성 있는 FCOS가 38.9 AP에 도달).
• 중심성이 없으면 FCOS는 이미 9개의 앵커를 사용하는 RetinaNet보다 AP에서 이긴다(38.0 vs. 35.9, A=9); 중심성으로 더 향상되어 38.9 AP가 된다.
• 다중 레벨 예측(FPN)은 모호한 샘플을 아주 작은 비율까지 줄여(overlap 문제를 완화) (중심 샘플링으로 2.66%까지).
• COCO val2017에서 최상의 결과는 FCOS가 다양한 지표(AP, AP50, AP75, 다양한 임계에서 AR)를 넘어섰다.
• 중심성 가중은 고-클래스 신뢰도, 낮은 중복 박스를 다운가중시켜 정밀도를 크게 향상시킨다.