[논문 리뷰] On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited

Xue Yang, Junchi Yan|arXiv (Cornell University)|2020. 03. 12.

Advanced Image and Video Retrieval Techniques인용 수 10

한 줄 요약

이 논문은 각도 예측을 원형 분류 작업으로 재정의함으로써 회귀 기반 회전 검출기에서 발생하는 경계 문제를 해결하는 분류 기반 접근법을 제안한다. Circular Smooth Label (CSL)과 Densely Coded Labels (DCL)를 사용하여 각도 예측 정확도와 일반화 능력을 향상시켜 DOTA, HRSC2016, OHD-SJTU, FDDB 및 ICDAR2015에서 최신 기술 수준의 성능을 달성하였으며, 물체 헤딩 검출에 대해 OHD-SJTU-L 데이터셋에서 41.29%의 mAP를 기록하였다.

ABSTRACT

Arbitrary-oriented object detection has been a building block for rotation sensitive tasks. We first show that the boundary problem suffered in existing dominant regression-based rotation detectors, is caused by angular periodicity or corner ordering, according to the parameterization protocol. We also show that the root cause is that the ideal predictions can be out of the defined range. Accordingly, we transform the angular prediction task from a regression problem to a classification one. For the resulting circularly distributed angle classification problem, we first devise a Circular Smooth Label technique to handle the periodicity of angle and increase the error tolerance to adjacent angles. To reduce the excessive model parameters by Circular Smooth Label, we further design a Densely Coded Labels, which greatly reduces the length of the encoding. Finally, we further develop an object heading detection module, which can be useful when the exact heading orientation information is needed e.g. for ship and plane heading detection. We release our OHD-SJTU dataset and OHDet detector for heading detection. Extensive experimental results on three large-scale public datasets for aerial images i.e. DOTA, HRSC2016, OHD-SJTU, and face dataset FDDB, as well as scene text dataset ICDAR2015 and MLT, show the effectiveness of our approach.

연구 동기 및 목표

• 각도 주기성과 예측 범위 위반으로 인해 발생하는 회귀 기반 임의의 방향 물체 검출기에서의 경계 문제를 해결하기 위해.
• 주기성 인식 레이블링을 통한 연속적인 회귀를 이산 분류로 변환하여 각도 예측 정확도를 향상시키기 위해.
• 분류 기반 방법에서 고차원 인코딩으로 인한 모델 복잡도를 Densely Coded Labels (DCL)를 통해 감소시키기 위해.
• 전용 헤드 예측 모듈을 통한 회전 검출 확장으로 정밀한 물체 헤딩 검출을 가능하게 하기 위해.
• 물체 헤딩 검출 분야의 연구를 지원하기 위해 OHD-SJTU 데이터셋과 OHDet 검출기를 공개하기 위해.

제안 방법

• 예측 범위를 정의하고 경계 불연속성을 방지하기 위해 각도 예측을 분류 작업으로 재구성하기 위해.
• 각도 주기성을 처리하고 인접한 각도 오류에 대한 내성을 높이기 위해 네 가지 윈도우 함수를 사용하는 Circular Smooth Label (CSL)을 도입하기 위해.
• 레이블 인코딩 길이를 크게 줄이면서도 예측 정확도를 유지하기 위해 Densely Coded Labels (DCL)를 설계하기 위해.
• 이산 각도 양자화로 인한 이론적 오류를 보정하기 위해 각도 정밀 조정 메커니즘을 구현하기 위해.
• 기울어진 바운딩 박스와 물체 헤드 방향을 동시에 예측하는 두 헤드 검출기인 OHDet를 개발하기 위해.
• 물체 헤딩 검출을 위한 10,000장의 이미지와 15,000개의 애너테이션 인스턴스를 포함한 OHD-SJTU 데이터셋을 공개하기 위해.

실험 결과

연구 질문

• RQ1 왜 회귀 기반 회전 검출기는 경계 문제를 앓는가, 이 문제는 회귀 공식화 자체에 내재된 것인가?
• RQ2 각도 예측을 분류 작업으로 변환하면 각도 주기성으로 인한 경계 불연속성이 제거되는가?
• RQ3 표준 one-hot 인코딩에 비해 Circular Smooth Label (CSL)이 각도 오분류에 대해 얼마나 더 강건한가?
• RQ4 Densely Coded Labels (DCL)가 각도 예측 정확도를 손상시키지 않고 모델 파라미터를 어느 정도 줄일 수 있는가?
• RQ5 제안된 방법이 다양한 데이터셋에서 임의의 방향 검출과 물체 헤딩 검출 양쪽 모두에서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 회귀 기반 검출기에서의 경계 문제의 근본 원인은 이상적인 예측 값이 정의된 출력 범위를 벗어나기 때문이며, 이는 단지 파rameterization 때문만은 아니다.
• 직사각형 윈도우 함수를 사용한 CSL은 세밀한 이산 분류와 유사한 성능을 달성하여 주기성 처리에 효과적임을 입증하였다.
• DCL는 레이블 인코딩 길이를 크게 줄이면서도 높은 각도 예측 정확도를 유지하여 모델 복잡도를 감소시켰다.
• 각도 정밀 조정 메커니즘은 이산 분류로 인한 양자화 오류를 효과적으로 보정하여 이론적 일관성을 향상시켰다.
• OHD-SJTU-L 데이터셋에서 OHDet는 64.12%의 헤딩 예측 정확도와 22.97%의 OHD mAP를 기록하여 복잡한 과제에도 불구하고 뛰어난 성능을 보였다.
• CSL 기반 및 DCL 기반 프로토콜은 DOTA, HRSC2016, FDDB 및 ICDAR2015에서 RetinaNet과 YOLOv5의 회귀 기반 방법보다 우수한 성능을 보였다.