[논문 리뷰] PointOBB-v2: Towards Simpler, Faster, and Stronger Single Point Supervised Oriented Object Detection

Botao Ren, Xue Yang외 3명|arXiv (Cornell University)|2024. 10. 10.

Advanced Neural Network Applications인용 수 4

한 줄 요약

PointOBB-v2는 교사-학생 구조가 필요 없도록 Class Probability Map(비율 확률 맵, CPM)과 주성분 분석(PCA)을 통해 가짜 기울은 박스를 생성함으로써 단일 점 감독 기반 기울임 객체 검출을 더 빠르고 단순하며 정확하게 개선한다. 이는 DOTA-v1.0에서부터 v2.0까지 mAP를 11.60%에서 25.15%까지 향상시키며, 소형 및 고밀도 객체에서 뛰어난 성능을 발휘한다. 가짜 레이블 생성 속도는 15.58배 빨라졌다.

ABSTRACT

Single point supervised oriented object detection has gained attention and made initial progress within the community. Diverse from those approaches relying on one-shot samples or powerful pretrained models (e.g. SAM), PointOBB has shown promise due to its prior-free feature. In this paper, we propose PointOBB-v2, a simpler, faster, and stronger method to generate pseudo rotated boxes from points without relying on any other prior. Specifically, we first generate a Class Probability Map (CPM) by training the network with non-uniform positive and negative sampling. We show that the CPM is able to learn the approximate object regions and their contours. Then, Principal Component Analysis (PCA) is applied to accurately estimate the orientation and the boundary of objects. By further incorporating a separation mechanism, we resolve the confusion caused by the overlapping on the CPM, enabling its operation in high-density scenarios. Extensive comparisons demonstrate that our method achieves a training speed 15.58x faster and an accuracy improvement of 11.60%/25.15%/21.19% on the DOTA-v1.0/v1.5/v2.0 datasets compared to the previous state-of-the-art, PointOBB. This significantly advances the cutting edge of single point supervised oriented detection in the modular track.

연구 동기 및 목표

• 기존의 점 감독 기반 기울임 객체 검출 방법에서의 비효율성과 높은 메모리 사용을 해결하기 위해, 특히 PointOBB에서의 느린 가짜 레이블 생성 문제를 해결한다.
• 교사-학생 프레임워크나 외부 사전 지식에 의존하지 않고, 학습 속도와 메모리 효율성을 향상시킨다.
• 특히 소형 및 겹치는 객체에서의 검출 정확도를 향상시킨다.
• 가짜 레이블 생성과 검출기 학습을 분리한 모듈식이고 확장 가능한 파이프라인을 개발하여 더 큰 유연성을 확보한다.

제안 방법

• 비균일한 양성 및 음성 샘플링을 사용하여 객체 영역과 윤곽을 근사적으로 학습하는 Class Probability Map(비율 확률 맵, CPM)을 생성한다.
• CPM에 주성분 분석(PCA)을 적용하여 높은 정확도로 객체의 기울임 방향과 경계 상자 경계를 추정한다.
• CPM의 확률 분포 기반 비균일 샘플링 전략을 도입하여 국소화 정밀도와 기울임 방향 추정 정확도를 향상시킨다.
• 밀도 높은 객체 영역에서 CPM이 겹쳐 발생하는 혼동을 해결하기 위해 분리 메커니즘을 도입한다.
• PointOBB에서 사용된 교사-학생 구조를 폐기하여 학습 시간과 GPU 메모리 소비를 크게 줄인다.
• 소형 차량 및 선박과 같은 밀도 높은 객체 카테고리에서 성능을 추가로 향상시키기 위해 벡터 제약 모듈을 적용한다.

실험 결과

연구 질문

• RQ1 교사-학생 프레임워크나 외부 모델에 의존하지 않고도 단일 점 감독 기반 기울임 객체 검출을 위한 더 단순하고 빠르며 정확한 가짜 레이블 생성 파이프라인을 설계할 수 있는가?
• RQ2 약한 감독 설정에서 PCA를 활용해 Class Probability Map(CPM)으로부터 객체의 기울임 방향과 경계를 효과적으로 추정할 수 있는가?
• RQ3 제안된 방법은 PointOBB에 비해 고밀도 및 소형 객체 시나리오에서 검출 정확도와 효율성 면에서 어느 정도 향상되는가?
• RQ4 특히 중심점 레이블이 완벽하지 않은 경우, 노이즈가 있는 점 레이블 상황에서도 방법이 안정성을 유지할 수 있는가?
• RQ5 분리 메커니즘이 겹치거나 고밀도로 배치된 객체 영역에서 가짜 레이블 품질을 어떻게 향상시키는가?

주요 결과

• PointOBB-v2는 DOTA-v1.5에서 가짜 레이블 생성 속도를 15.58배 빠르게 하여 학습 시간을 22.28시간에서 1.43시간으로 단축시켰다.
• DOTA-v1.0에서 mAP는 PointOBB의 30.08%에서 41.68%로 11.60% 향상되었다.
• DOTA-v1.5에서 mAP는 30.65%에서 36.39%로 상승하여 25.15% 향상되었으며, 소형 및 밀도 높은 객체 카테고리에서 뚜렷한 성과 향상가 있었다.
• DOTA-v2.0에서 mAP는 26.63%에서 27.22%로 상승하여 상대적 향상률이 21.19%였으며, 극도로 밀도 높은 상황에서도 안정성을 입증했다.
• 점 레이블 노이즈 상황에서도 안정된 성능을 유지하였으며, 중심점 왜곡이 10%일 경우 mAP는 단지 2.27% 감소하여 PointOBB를 능가했다.
• 시각화 결과 PointOBB-v2는 소형 차량과 같은 고밀도 객체에 대해 겹치지 않고 정확한 가짜 레이블을 생성하는 반면, PointOBB는 겹치고 모호한 예측을 생성하는 것으로 확인되었다.