[논문 리뷰] MetaAnchor: Learning to Detect Objects with Customized Anchors

Tong Yang, Xiangyu Zhang외 3명|arXiv (Cornell University)|2018. 07. 03.

Advanced Neural Network Applications인용 수 89

한 줄 요약

MetaAnchor는 커스텀 priors를 앵커 함수에 매핑하는 동적 앵커 함수 제너레이터를 도입하여 앵커 설정과 바운딩 박스 분포에 대한 강건성을 향상시키고 COCO Detection 성능을 RetinaNet 기준보다 높인다.

ABSTRACT

We propose a novel and flexible anchor mechanism named MetaAnchor for object detection frameworks. Unlike many previous detectors model anchors via a predefined manner, in MetaAnchor anchor functions could be dynamically generated from the arbitrary customized prior boxes. Taking advantage of weight prediction, MetaAnchor is able to work with most of the anchor-based object detection systems such as RetinaNet. Compared with the predefined anchor scheme, we empirically find that MetaAnchor is more robust to anchor settings and bounding box distributions; in addition, it also shows the potential on transfer tasks. Our experiment on COCO detection task shows that MetaAnchor consistently outperforms the counterparts in various scenarios.

연구 동기 및 목표

• 사전에 미리 정의된 priors 집합에 고정되지 않는 유연하고 강건한 앵커를 고무한다.
• 임의의 priors 상자에서 앵커 함수를 동적으로 생성하는 메커니즘을 제안한다.
• 가중치 예측 기반의 앵커 함수 생성이 탐지의 강건성과 전달 가능성을 향상시킨다는 것을 보인다.
• COCO에서 RetinaNet과 같은 단일 단계 검출기에 대해 호환성과 이점을 입증한다.

제안 방법

• 주 priors 박스 bi를 앵커 함수 Fi_bi로 매핑하는 앵커 함수 제너레이터 G(bi; w)를 도입한다.
• Fi_bi를 Fi_bi(x; θi) = Fi(x; θbi)로 모델링하되 θbi = θ* + R(bi; w)이고 R은 작은 신경망이다.
• Fi의 매개변수를 예측하기 위한 G(·)의 데이터 독립적 버전과 데이터 의존적 버전을 제공한다.
• priors bi를 표준 앵커 상자(AH, AW)에 대해 로그 스케일 높이/너비 비율로 표현한다.
• MetaAnchor를 RetinaNet에 적용하여 고정된 앵커 헤드를 클래스 및 회귀 헤드의 제너레이터로 대체하고, 레벨 간에 G(·)를 공유하되 레벨별 표준 상자를 사용한다.
• 강건성 향상을 위해 bi의 무작위 섭동으로 학습을 선택적으로 증강한다.

실험 결과

연구 질문

• RQ1 나열된 priors가 아니라 임의의 priors 상자에서 앵커 함수를 동적으로 생성할 수 있는가?
• RQ2 MetaAnchor가 앵커 박스 분포에 대한 강건성과 데이터셋 간 전달 가능성을 향상시키는가?
• RQ3 앵커 함수 제너레이터의 데이터 독립적 버전과 데이터 의존적 버전의 성능은 어떻게 비교되는가?
• RQ4 유연한 추론 시점 앵커 구성의 탐지 성능에 어떤 영향을 미치는가?
• RQ5 MetaAnchor가 기존의 단일 단계 검출기(예: RetinaNet)에 효과적으로 통합되어 COCO에서 탐지 지표를 향상시킬 수 있는가?

주요 결과

• MetaAnchor는 여러 앵커 구성에서 RetinaNet 기준선을 일관되게 능가하며, 예를 들어 mmAP 약 0.2–0.8% 증가 및 AP50 약 0.8–1.5% 증가를 보여준다.
• 학습/추론 시 더 많은 앵커를 사용할수록 일반적으로 MetaAnchor의 성능이 향상되지만 7×7 또는 9×9 구성을 넘어서면 수익이 감소한다.
• COCO-full에서 MetaAnchor는 minival에서 37.5% mmAP를 달성하며, 이는 최고 RetinaNet 구현보다 1.7% 더 좋고, 탐색된 구성의 최고 RetinaNet보다 0.6% 더 우수하며, 데이터 의존적 변형은 추가로 약 0.4% 향상시킨다.
• COCO-full에서 VOC2007으로의 전이에서 RetinaNet보다 강한 전달 능력을 보이며 분포 변화에서도 성능 저하가 현저히 감소한다.
• 그리디 탐색 추론 전략은 테스트 중 점수가 개선되는 앵커 구성을 선택하여 MetaAnchor 성능을 더 향상시킨다.
• 데이터 의존적 앵커 함수 제너레이터는 여러 설정에서 종종 데이터 독립적 변형보다 약간 더 나은 성능을 보인다.