[논문 리뷰] Focal and Efficient IOU Loss for Accurate Bounding Box Regression

Yifan Zhang, Weiqiang Ren외 4명|arXiv (Cornell University)|2021. 01. 20.

Advanced Neural Network Applications인용 수 65

한 줄 요약

논문은 Efficient IOU (EIOU) 손실과 폴칼 손실의 회귀 버전을 도입한 뒤, 이를 Focal-EIOU로 결합하여 수렴 속도를 높이고 물체 탐지에서 경계 상자 위치 지정을 개선한다.

ABSTRACT

In object detection, bounding box regression (BBR) is a crucial step that determines the object localization performance. However, we find that most previous loss functions for BBR have two main drawbacks: (i) Both $\ell_n$-norm and IOU-based loss functions are inefficient to depict the objective of BBR, which leads to slow convergence and inaccurate regression results. (ii) Most of the loss functions ignore the imbalance problem in BBR that the large number of anchor boxes which have small overlaps with the target boxes contribute most to the optimization of BBR. To mitigate the adverse effects caused thereby, we perform thorough studies to exploit the potential of BBR losses in this paper. Firstly, an Efficient Intersection over Union (EIOU) loss is proposed, which explicitly measures the discrepancies of three geometric factors in BBR, i.e., the overlap area, the central point and the side length. After that, we state the Effective Example Mining (EEM) problem and propose a regression version of focal loss to make the regression process focus on high-quality anchor boxes. Finally, the above two parts are combined to obtain a new loss function, namely Focal-EIOU loss. Extensive experiments on both synthetic and real datasets are performed. Notable superiorities on both the convergence speed and the localization accuracy can be achieved over other BBR losses.

연구 동기 및 목표

• 기하학적 차이 측정의 개선으로 기존 BBR 손실의 수렴 속도와 불정확성 문제 해소.
• 고품질 앵커에 중점을 두도록 회귀 버전의 focal 손실을 설계하여 앵커 박스의 불균형 완화.
• Synthetic 및 실제 데이터셋 전반에서 결합된 Focal-EIOU 손실의 개발 및 검증.
• COCO 2017 데이터셋에서 최첨단 검출기 전체에 걸친 개선 시연.

제안 방법

• L_EIOU를 IOU 손실과 거리 및 종횡비 구성 요소로 분해하여 중첩(Overlap), 중심 거리, 너비/높이 차이를 명시적으로 최소화하도록 하는 EIOU 손실을 제안한다.
• beta 및 alpha 매개변수로 제어되는 FocalL1 손실을 설계하여 회귀 그래디언트를 재가중하고 고품질 예제의 중요성을 강조한다.
• IOU 기반 재가중치를 사용하여 정보성 앵커에 초점을 맞추는 Focal-EIOU 손실(L_Focal-EIOU = IOU^gamma * L_EIOU)로 EIOU와 focal 가중치를 결합한다.
• 훈련의 안정화를 위해 배치 가중치를 정규화(L_Focal-EIOU = sum(W_i * L_EIOU_i)/sum(W_i))한다.
• 여러 백본/검출기(Faster R-CNN, Mask R-CNN, RetinaNet, ATSS, PAA, DETR)에서 합성 설정 및 COCO 2017에서 평가한다.
• EIOU, FocalL1, 재가중 전략의 효과를 분리하기 위한 근거 실험(ablation)을 수행한다.

실험 결과

연구 질문

• RQ1 EIOU가 IOU 기반 손실에 비해 수렴 속도와 위치 추정 정확도를 향상시키는가?
• RQ2 BBR에서 고품질 대 저품질 앵커 기여를 충분히 균형 있게 조정하는 회귀 중심의 focal 메커니즘(EEM)이 가능한가?
• RQ3 FocalL1과 EIOU의 통합(Focal-EIOU)이 COCO에서 다양한 검출기와 백본에 걸쳐 일관된 이득을 주는가?
• RQ4 하이퍼파라미터(beta, gamma)의 설정이 성능과 학습 안정성에 미치는 영향은?

주요 결과

방법	AP	AP50	AP75	AP_S	AP_M	AP_L
Baseline	35.9	55.2	38.4	21.2	39.5	48.4
IOU	36.5	55.6	38.9	20.9	40.1	48.0
GIOU	36.5	55.6	39.0	20.7	40.2	48.2
CIOU	36.7	55.7	39.2	20.6	40.4	49.0
FocalL1	36.5	55.8	38.9	21.2	39.8	48.8
EIOU	37.0	55.7	39.5	20.7	40.5	49.5
Focal-EIOU (v1)	36.8	55.4	39.5	20.9	40.0	49.1
Focal-EIOU	37.5	56.1	40.0	21.1	40.9	49.8

• EIOU는 시뮬레이션 및 COCO 실험에서 IOU, GIOU, CIOU 손실과 비교해 더 빠른 수렴과 향상된 위치 추정을 달성한다.
• Focal-L1 기반 재가중이 고품질 앵커의 그래디언트를 강화하여 Ablation에서 AP를 현저히 증가시킨다.
• Focal-EIOU는 COCO 2017의 다양한 검출기에 걸쳐 일관되게 AP를 향상시키며, 단일 행 최적 결과로 37.5 AP(56.1 AP50, 40.0 AP75, 21.1 AP_S, 40.9 AP_M, 49.8 AP_L)를 달성한다.
• 테이블 기반 ablation 연구에서 Focal-EIOU가 기준선 및 다른 IOU 기반 손실보다 우수하며 기준선 대비 최대 약 1.6 AP의 이점을 준다.
• Focal-EIOU는 중/대형 물체의 위치 추정 개선에 특히 기여하며, 적절한 gamma(gamma=0.5) 및 beta 설정에서 안정성을 유지한다.