[논문 리뷰] One-Stage Cascade Refinement Networks for Infrared Small Target Detection

Yimian Dai, Li Xiang외 4명|arXiv (Cornell University)|2022. 12. 16.

Infrared Target Detection Methodologies인용 수 5

한 줄 요약

이 논문은 전체 스케일 가짜 박스 기반 레이블 할당과 상향식 특징 개선을 통해 정확도를 향상시키는 인프라레드 소형 목표물 검출을 위한 one-stage 캐스케이드 개선 네트워크인 OSCAR을 제안한다. SIRST-V2 기준에서 최소한의 오진 경고와 높은 효율성을 기반으로 최신 기술 수준의 성능을 달성하였으며, 광범위한 분석 및 비교 연구를 통해 검증되었다.

ABSTRACT

Single-frame InfraRed Small Target (SIRST) detection has been a challenging task due to a lack of inherent characteristics, imprecise bounding box regression, a scarcity of real-world datasets, and sensitive localization evaluation. In this paper, we propose a comprehensive solution to these challenges. First, we find that the existing anchor-free label assignment method is prone to mislabeling small targets as background, leading to their omission by detectors. To overcome this issue, we propose an all-scale pseudo-box-based label assignment scheme that relaxes the constraints on scale and decouples the spatial assignment from the size of the ground-truth target. Second, motivated by the structured prior of feature pyramids, we introduce the one-stage cascade refinement network (OSCAR), which uses the high-level head as soft proposals for the low-level refinement head. This allows OSCAR to process the same target in a cascade coarse-to-fine manner. Finally, we present a new research benchmark for infrared small target detection, consisting of the SIRST-V2 dataset of real-world, high-resolution single-frame targets, the normalized contrast evaluation metric, and the DeepInfrared toolkit for detection. We conduct extensive ablation studies to evaluate the components of OSCAR and compare its performance to state-of-the-art model-driven and data-driven methods on the SIRST-V2 benchmark. Our results demonstrate that a top-down cascade refinement framework can improve the accuracy of infrared small target detection without sacrificing efficiency. The DeepInfrared toolkit, dataset, and trained models are available at https://github.com/YimianDai/open-deepinfrared to advance further research in this field.

연구 동기 및 목표

• 소형 목표물이 본질적인 특징이 없고 국소화 오류에 민감한 점을 감안해 인프라레드 소형 목표물 검출의 과제를 해결하기 위해.
• 기존 앵커리스 레이블 할당의 한계를 극복하기 위해, 이는 종종 소형 목표물을 배경으로 잘못 할당하는 경향이 있다.
• 거칠기에서 정밀한 방식으로 구조적 특징 피라미드를 활용해 추론 효율성을 희생시키지 않고 검출 정확도를 향상시키기 위해.
• SIRST-V2 데이터셋, 정규화된 대비 평가 지표, DeepInfrared 툴킷을 포함한 새로운 연구 기준을 설정하여 일관되고 신뢰할 수 있는 평가를 가능하게 하기 위해.
• 소형 목표물 검출을 세그멘테이션 작업이 아닌 객체 검출 작업으로 모델링할 경우 성능과 효율성이 더 뛰어나지 않느냐를 입증하기 위해.

제안 방법

• 소형 목표물이 배경으로 잘못 할당되는 것을 방지하기 위해 공간 할당을 정답 크기에서 분리하는 전체 스케일 가짜 박스 기반 레이블 할당 기법을 제안한다.
• 고수준 특징 헤드가 저수준 개선 헤드의 소프트 제안서로 작용하는 one-stage 캐스케이드 개선 네트워크(OSCAR)를 도입하여 상향식, 거칠기에서 정밀한 검출을 가능하게 한다.
• 목표물 특화 대비 특징을 강조함으로써 국소화 품질을 향상시키고 오진 경고를 억제하기 위해 정규화된 대비 브랜치를 활용한다.
• 다양한 수준에서의 캐스케이드 개선을 지원하기 위해 다중 스케일 특징 피라미드 구조를 활용하여 소형 목표물에 대한 검출 강건성을 향상시킨다.
• 소형 목표물이 존재할 경우 국소화 정확도를 더 잘 반영하기 위해 정규화된 대비 기반의 새로운 평가 지표를 설계한다.
• 재현 가능한 연구와 표준화된 벤치마킹을 지원하기 위해 SIRST-V2 데이터셋과 DeepInfrared 툴킷을 공개한다.

실험 결과

연구 질문

• RQ1 one-stage 캐스케이드 개선 프레임워크는 계산 비용을 증가시키지 않고도 인프라레드 소형 목표물 검출 정확도를 향상시킬 수 있는가?
• RQ2 가짜 박스를 통해 공간 할당을 정답 크기에서 분리하면 소형 목표물이 배경으로 잘못 할당되는 경우가 줄어드는가?
• RQ3 상향식 캐스케이드 설정에서 고수준 특징이 저수준 개선을 위한 효과적인 소프트 제안서로 기능할 수 있는가?
• RQ4 정규화된 대비 브랜치는 복잡한 배경에서 오진 경고 억제에 어떤 기여를 하는가?
• RQ5 제안된 OSCAR 모델은 실제 인프라레드 소형 목표물 검출에서 기존의 모델 기반 및 데이터 기반 방법보다 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• OSCAR는 SIRST-V2 벤치마크에서 최신 기술 수준의 성능을 달성하여 기존의 모델 기반 및 데이터 기반 방법보다 검출 정확도와 오진 경고 억제 모두에서 뛰어난 성능을 보였다.
• 제안된 전체 스케일 가짜 박스 기반 레이블 할당은 소형 목표물이 배경으로 잘못 분류되는 것을 방지함으로써 오진 부정 수를 크게 감소시켰다.
• 상향식 캐스케이드 개선 메커니즘은 계층적 특징 개선을 통해 예측을 개선함으로써 특히 매우 소형 목표물의 국소화 정밀도를 향상시켰다.
• 정규화된 대비 브랜치는 목표물 특화 대비를 강조함으로써 복잡한 환경에서도 강건성을 확보하고 오진 억제에 기여하였다.
• 광범위한 분석 연구를 통해 OSCAR의 각 구성 요소—레이블 할당, 캐스케이드 개선, 대비 브랜치—가 성능 향상에 독립적으로 그리고 상호보완적으로 기여한다는 것이 확인되었다.
• SIRST-V2 데이터셋과 DeepInfrared 툴킷은 실제 세계의 고해상도 단일 프레임 인프라레드 영상과 새로운 평가 지표를 포함하여 향후 연구를 위한 신뢰할 수 있고 표준화된 벤치마크를 제공한다.