[논문 리뷰] Improving Object Detection With One Line of Code.

Navaneeth Bodla, Bharat Singh외 2명|arXiv (Cornell University)|2017. 04. 14.

Advanced Neural Network Applications참고 문헌 20인용 수 95

한 줄 요약

이 논문은 비최대 억제(NMS)에 대한 단순하면서도 효과적인 수정인 Soft-NMS를 제안한다. 이는 IoU 겹침 기반 점수 감쇠를 통해 딱딱한 억제를 대체하며, 추가 학습이나 하이퍼파라미터 조정 없이 PASCAL VOC 2007과 MS-COCO에서 mAP를 1.1–1.7% 향상시킨다. 표준 NMS와 동일한 계산 복잡도를 유지하면서 엄격한 IoU 기반 억제로 인한 가짜 양성 결과를 제거한다.

ABSTRACT

Non-maximum suppression is an integral part of the object detection pipeline. First, it sorts all detection boxes on the basis of their scores. The detection box M with the maximum score is selected and all other detection boxes with a significant overlap (using a pre-defined threshold) with M are suppressed. This process is recursively applied on the remaining boxes. As per the design of the algorithm, if an object lies within the predefined overlap threshold, it leads to a miss. To this end, we propose Soft-NMS, an algorithm which decays the detection scores of all other objects as a continuous function of their overlap with M. Hence, no object is eliminated in this process. Soft-NMS obtains consistent improvements for the coco-style mAP metric on standard datasets like PASCAL VOC 2007 (1.7\% for both R-FCN and Faster-RCNN) and MS-COCO (1.3\% for R-FCN and 1.1\% for Faster-RCNN) by just changing the NMS algorithm without any additional hyper-parameters. Further, the computational complexity of Soft-NMS is the same as traditional NMS and hence it can be efficiently implemented. Since Soft-NMS does not require any extra training and is simple to implement, it can be easily integrated into any object detection pipeline. Code for Soft-NMS is publicly available on GitHub \url{http://bit.ly/2nJLNMu}.

연구 동기 및 목표

• 기존 NMS의 한계를 해결하기 위해, 겹치는 검출 결과를 조건 없이 제거함으로써 유효한 검출 결과가 누락되는 문제를 해결한다.
• 추가 학습이나 하이퍼파라미터 튜닝 없이 객체 검출의 평균 평균 정확도(mAP)를 향상시키는 것을 목표로 한다.
• 기존 객체 검출 파ip라인과 호환되며 단순하고 효율적인 방법을 설계하는 것.
• NMS의 딱딱한 억제를 교체하기 위해 교차율(IoU) 기반의 연속적이고 미분 가능한 점수 감쇠 메커니즘을 도입하는 것.

제안 방법

• IoU 기준 임계값을 초과하는 박스를 모두 제거하는 대신, Soft-NMS는 가장 높은 점수를 가진 박스와의 겹침 정도에 따라 나머지 박스의 검출 점수를 연속적인 함수에 따라 감소시킨다.
• 가장 높은 점수를 가진 박스를 선택한 후, 남은 박자들에 대해 점수 감쇠 함수를 반복적으로 적용한다.
• 감쇠 함수는 IoU에 대한 가우시안 또는 선형 함수로 정의되며, 겹침이 클수록 점수 감소 폭이 커진다.
• 알고리즘은 표준 NMS와 동일한 O(n log n) 시간 복잡도를 유지하므로 효율적인 구현이 가능하다.
• Soft-NMS는 완전히 후행 호환성(Backward compatibility)을 가지며, 단 한 줄의 코드 변경만으로도 기존의 어떤 객체 검출기에도 통합 가능하다.
• 재학습이나 추가 하이퍼파라미터가 필요 없어, 기존 모델에 즉각 통합 가능한 플러그 앤 플레이 방식이다.

실험 결과

연구 질문

• RQ1 기존 NMS의 딱딱한 억제 방식에 비해, 연속적인 점수 감쇠 메커니즘이 객체 검출의 mAP 향상에 기여하는가?
• RQ2 강력한 IoU 임계값 설정으로 인한 가짜 양성 결과를 줄이면서도, 계산 효율성은 유지되는가?
• RQ3 Faster R-CNN과 R-FCN 같은 다양한 검출기에서 재학습 없이도 일반적으로 적용 가능한가?
• RQ4 PASCAL VOC 2007과 MS-COCO와 같은 표준 벤치마크에서 Soft-NMS의 영향은 어떠한가?

주요 결과

• Faster R-CNN과 R-FCN 모두에 대해 PASCAL VOC 2007에서 Soft-NMS가 mAP를 1.7% 향상시켰다.
• MS-COCO에서는 R-FCN에서 mAP가 1.3% 향상되었고, Faster R-CNN에서는 1.1% 향상되었다.
• 여러 검출기에서 일관된 성능 향상이 나타나 보편적인 적용 가능성을 입증했다.
• 추가 학습이나 하이퍼파라미터 튜닝 없이도 이러한 성과를 달성했다.
• Soft-NMS는 표준 NMS와 동일한 O(n log n) 계산 복잡도를 유지하여 효율성을 보장한다.
• 코드는 공개되어 있어 기존 검출 파이프라인에 즉각 통합할 수 있다.