[논문 리뷰] Optimized Loss Functions for Object detection: A Case Study on Nighttime Vehicle Detection

Shang Jiang, Haoran Qin외 2명|arXiv (Cornell University)|2020. 11. 11.

Advanced Neural Network Applications참고 문헌 17인용 수 12

한 줄 요약

이 논문은 야간 차량 검출에서 객체 검출을 위한 이중 최적화 프레임워크를 제안하며, 하드 음성 샘플 분류를 위한 Neg-IoU와 마할라노비스 거리 기반 국소화 손실인 MIoU를 도입하여 분류와 국소화 간 상관관계를 향상시킨다. 이 방법은 밀도가 높은 야간 데이터셋에서 45.9% AP와 44.8% AP75를 달성하였으며, 두 손실 함수를 동시에 최적화하여 기준 모델 대비 7.6% 상대적 AP 향상을 이룬다.

ABSTRACT

Loss functions is a crucial factor that affecting the detection precision in object detection task. In this paper, we optimize both two loss functions for classification and localization simultaneously. Firstly, by multiplying an IoU-based coefficient by the standard cross entropy loss in classification loss function, the correlation between localization and classification is established. Compared to the existing studies, in which the correlation is only applied to improve the localization accuracy for positive samples, this paper utilizes the correlation to obtain the really hard negative samples and aims to decrease the misclassified rate for negative samples. Besides, a novel localization loss named MIoU is proposed by incorporating a Mahalanobis distance between predicted box and target box, which eliminate the gradients inconsistency problem in the DIoU loss, further improving the localization accuracy. Finally, sufficient experiments for nighttime vehicle detection have been done on two datasets. Our results show than when train with the proposed loss functions, the detection performance can be outstandingly improved. The source code and trained models are available at https://github.com/therebellll/NegIoU-PosIoU-Miou.

연구 동기 및 목표

• 야간 차량 검출에서 도로 조명이 차량 尾등과 유사하게 보이는 배경 구조로 인한 잘못된 양성 샘플(거짓 양성)을 줄이기 위해.
• 수렴과 국소화 정확도를 저해하는 DIoU 손실의 기울기 불일치 문제를 해결하기 위해.
• IoU 인식 손실 함수를 사용하여 분류 헤드와 국소화 헤드 간 双방향 상관관계를 구축함으로써 검출 성능을 향상시키기 위해.
• 어려운 조명 조건과 가림 현상이 있는 실제 야간 데이터셋에서 제안된 손실 함수의 효과성을 검증하기 위해.

제안 방법

• 양성 및 음성 샘플 모두에 국소화 인식 분류를 가능하게 하기 위해, 교차 엔트로피 손실에 IoU 기반 계수를 곱하여 수정한 분류 손실을 도입한다.
• 예측 박스와 진짜 박스 간 마할라노비스 거리를 사용한 MIoU 손실을 제안하여 중심 거리와 정규화된 거리의 기울기 방향을 통합함으로써 DIoU의 기울기 불일치 문제를 해결한다.
• 어려운 음성 샘플에 대한 강조를 적응적으로 가능하게 하기 위해 분류 손실의 IoU 기반 계수에 대해 학습 가능한 파라미터 γ를 사용한다.
• 학습 중 두 목적 간 균형을 맞추기 위해 분류 손실과 국소화 손실의 가중 합에 학습 가능한 α를 적용한다.
• 두 데이터셋에서 α와 γ의 최적화를 위해 분석 실험을 실시하여 최고 성능을 내는 최적의 초모수를 도출한다.
• 다양한 조명 조건과 차량 밀도를 가진 실제 야간 차량 검출 데이터셋 두 개에서 방법을 검증한다.

실험 결과

연구 질문

• RQ1 음성 샘플 분류에 IoU 정보를 통합함으로써, 차량과 유사한 구조를 가진 배경 구조(예: 도로 조명)로 인한 거짓 양성 감소가 가능한가?
• RQ2 DIoU를 마할라노비스 거리 기반 손실(MIoU)으로 대체함으로써 기울기 불일치 문제를 해결함으로써 국소화 수렴과 정확도 향상이 가능한가?
• RQ3 야간 검출에서 분류와 국소화 손실 항목 간 최적의 균형(α)과 분류 헤드에서 IoU의 가중치(γ)는 무엇인가?
• RQ4 두 손실 함수를 함께 최적화함으로써 실제 야간 환경에서 mAP와 AP75가 얼마나 향상되는가?
• RQ5 제안된 방법이 더 높은 차량 밀도와 복잡한 조명 조건을 가진 데이터셋으로 일반화 가능한가?

주요 결과

• 제안된 방법은 Dataset2에서 45.9% mAP와 44.8% AP75를 달성하였으며, 기준 모델 대비 mAP에서 7.6% 상대적 향상을 기록하였다.
• Neg-IoU 구성 요소만으로도 2.3% 절대 mAP 향상과 3.9% AP75 향상이 있었으며, 배경 구조로 인한 거짓 양성 감소에 크게 기여하였다.
• 최적의 초모수(α=1.0, γ=1.75)를 사용할 경우, Dataset1에서 45.7% mAP와 44.0% AP75를 달성하였으며, 기준 모델 대비 7.6% 상대적 mAP 향상을 기록하였다.
• 시각화 결과는 주변 조명으로 인한 거짓 검출이 크게 감소한 것을 확인하였으며, 특히 차량 유사 구조를 가진 음성 샘플에서 두드러진 효과를 보였다.
• MIoU 손실은 DIoU의 기울기 불일치 문제를 효과적으로 해결하여 더 빠른 수렴과 향상된 국소화 정확도를 이끌어냈다.
• 분석 실험 결과, 두 손실 함수의 공동 최적화가 가장 높은 성능을 내며, 최고의 성능는 α=1.0과 γ=1.75에서 달성되었다.