[논문 리뷰] PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

Zhiming Chen, Kean Chen외 5명|arXiv (Cornell University)|2020. 07. 19.

Advanced Neural Network Applications참고 문헌 47인용 수 16

한 줄 요약

이 논문은 방향성 물체 검출을 위한 새로운 미분 가능한 손실 함수인 PIoU Loss를 제안하며, IoU와 각도 정확도를 동시에 최적화함으로써 고비율 및 복잡한 배경을 가진 물체에서 성능을 크게 향상시킵니다. 앵커 기반 및 앵커리스 모델 양쪽에서 평가된 결과, 특히 어려운 실세계 시나리오를 위한 목적으로 새로 도입된 Retail50K 데이터셋에서 최신 기준 mAP 성능 향상을 달성합니다.

ABSTRACT

Object detection using an oriented bounding box (OBB) can better target rotated objects by reducing the overlap with background areas. Existing OBB approaches are mostly built on horizontal bounding box detectors by introducing an additional angle dimension optimized by a distance loss. However, as the distance loss only minimizes the angle error of the OBB and that it loosely correlates to the IoU, it is insensitive to objects with high aspect ratios. Therefore, a novel loss, Pixels-IoU (PIoU) Loss, is formulated to exploit both the angle and IoU for accurate OBB regression. The PIoU loss is derived from IoU metric with a pixel-wise form, which is simple and suitable for both horizontal and oriented bounding box. To demonstrate its effectiveness, we evaluate the PIoU loss on both anchor-based and anchor-free frameworks. The experimental results show that PIoU loss can dramatically improve the performance of OBB detectors, particularly on objects with high aspect ratios and complex backgrounds. Besides, previous evaluation datasets did not include scenarios where the objects have high aspect ratios, hence a new dataset, Retail50K, is introduced to encourage the community to adapt OBB detectors for more complex environments.

연구 동기 및 목표

• 기존 OBB 검출기의 고비율 물체에 대한 각도 최적화에 의한 민감도 부족 문제를 해결하기 위해.
• 기존 IoU 기반 손실이 회귀 품질과 상관관계를 가지지 못하는 복잡한 배경 환경에서의 검출 정확도 향상을 위해.
• IoU와 직접 연관되며, 5개의 OBB 파라미터를 동시에 최적화할 수 있는 미분 가능하고 픽셀 수준의 손실 함수를 개발하기 위해.
• 실세계의 근접 및 혼잡한 환경에서 OBB 검출기를 평가하고 발전시키기 위한 새로운 벤치마크 데이터셋인 Retail50K를 도입하기 위해.
• PIoU Loss가 앵커 기반 및 앵커리스 검출 프레임워크 양쪽 모두에 일반화 가능한지를 입증하기 위해.

제안 방법

• PIoU Loss는 픽셀 수준의 형태로 표현된 IoU 지표에서 유도되며, (cx, cy, w, h, θ)의 5개 OBB 파라미터에 대한 미분 가능하고 연속적인 최적화를 가능하게 합니다.
• 예측된 OBB와 진짜 OBB 간의 겹치는 픽셀 기여도를 누적함으로써, IoU와 직접적인 연관성을 확보하고 기울기 흐름을 향상시킵니다.
• 각도 오차만 최소화하는 표준 거리 기반 손실(예: SmoothL1)을 대체하여, IoU와 각도 정확도를 통합된 미분 가능한 목적 함수로 통합합니다.
• 이 방법은 앵커 기반 및 앵커리스 검출 프레임워크 양쪽 모두와 호환되어 광범위한 적용 가능성을 가집니다.
• 더 빠른 근사치를 제공하는 변종인 HPIoU를 도입하였으며, 약간의 정확도 손실을 감수하고도 훨씬 빠른 학습 속도를 확보합니다.
• DOTA, HRSC2016, 그리고 새로 도입된 Retail50K 데이터셋에서 손실 함수의 유효성을 검증하기 위해 평가가 수행되었습니다.

실험 결과

연구 질문

• RQ1 IoU와 각도 정확도를 동시에 최적화하는 미분 가능한 손실 함수가 고비율 물체에서 방향성 물체 검출 성능을 크게 향상시킬 수 있는가?
• RQ2 PIoU Loss는 표준 거리 기반 손실(예: SmoothL1)에 비해 IoU 상관관계와 검출 정확도 측면에서 어떻게 비교되는가?
• RQ3 PIoU Loss는 앵커 기반 및 앵커리스 모델을 포함한 다양한 검출 프레임워크에 얼마나 잘 일반화되는가?
• RQ4 Retail50K와 같은 새로운 벤치마크 데이터셋의 도입이 기존 OBB 검출기의 한계를 효과적으로 드러내고, 새로운 방법의 공정한 평가를 가능하게 하는가?
• RQ5 PIoU Loss는 3차원 회전 물체 검출에 확장 가능하며 유의미한 성능 향상을 이끌 수 있는가?

주요 결과

• PIoU Loss는 기준 모델인 RefineDet에 대해 SmoothL1 손실을 사용할 때 대비 DOTA 데이터셋에서 mAP를 1.6 포인트 향상시켰습니다.
• Retail50K 데이터셋에서 PIoU는 RefineDet의 mAP를 50.9%에서 52.5%로, ResNet101 변형의 mAP를 55.1%에서 56.5%로 각각 향상시켰습니다.
• PIoU를 사용한 CenterNet은 DOTA에서 60.5%의 mAP를 기록하여 기준 모델 대비 1.4포인트 향상되었습니다.
• 그림 6의 시각적 결과는 PIoU가 특히 Retail50K의 고비율 물체에서 더 정확하고 강력한 OBB를 생성하는 것으로 나타났습니다.
• HPIoU는 PIoU보다 略적으로 낮은 성능(각각 DOTA, Retail50K, HRSC2016에서 0.87, 1.41, 0.18 mAP 향상)을 보였지만, 더 빠른 학습 속도를 확보했습니다.
• 초기 결과에서는 PIoU가 KITTI에서 PointPillars의 차량, 보행자, 자전거 기준으로 각각 0.65, 0.64, 2.0 AP 향상을 보이며 3D 확장 가능성까지 시사하고 있습니다.