[논문 리뷰] Probabilistic two-stage detection

Xingyi Zhou, Vladlen Koltun외 1명|arXiv (Cornell University)|2021. 03. 12.

Advanced Neural Network Applications참고 문헌 59인용 수 161

한 줄 요약

이 논문은 두-stage 객체 탐지의 확률적 해석을 제시하고, 객체 가능성을 예측하는 강력한 한-stage를 1단계로 사용하여 확률적 두-stage 탐지기를 구축함으로써 이전의 두-stage 및 한-stage 방법들보다 더 높은 정확도와 속도를 달성한다.

ABSTRACT

We develop a probabilistic interpretation of two-stage object detection. We show that this probabilistic interpretation motivates a number of common empirical training practices. It also suggests changes to two-stage detection pipelines. Specifically, the first stage should infer proper object-vs-background likelihoods, which should then inform the overall score of the detector. A standard region proposal network (RPN) cannot infer this likelihood sufficiently well, but many one-stage detectors can. We show how to build a probabilistic two-stage detector from any state-of-the-art one-stage detector. The resulting detectors are faster and more accurate than both their one- and two-stage precursors. Our detector achieves 56.4 mAP on COCO test-dev with single-scale testing, outperforming all published results. Using a lightweight backbone, our detector achieves 49.2 mAP on COCO at 33 fps on a Titan Xp, outperforming the popular YOLOv4 model.

연구 동기 및 목표

• 두 단계 객체 탐지의 확률적 해석을 동기화하여 각 단계 간 학습 신호를 통합한다.
• 실용적 하한을 통해 합동 확률적 목표를 최적화하는 학습 목표를 개발한다.
• 효율적인 한 단계 검출기를 활용하면서 보정된 객체 가능성을 제공하는 1단계를 설계한다.
• 1단계의 가능성과 2단계 분류기를 통합하여 확률적 이단계 탐지기를 형성한다.
• COCO, LVIS, Objects365에서 최첨단 결과와 실시간 변형을 보여준다.

제안 방법

• 각 객체의 클래스 분포를 P(O) (객체 가능성, 1단계)와 P(C|O) (조건부 분류, 2단계)로 인수분해한다.
• 두 단계를 공동으로 최적화하기 위해 하한 근사를 사용한 최대가능도 학습(Eq. 2, Eq. 3, Eq. 4).
• 보정된 객체 가능성을 예측하기 위해 강력한 한 단계 탐지기를 1단계로 사용한다(예: RetinaNet 스타일, FPN과 함께하는 CenterNet, ATSS/GFL 기반).
• 1단계의 P(O)와 2단계의 P(C|O)를 곱하여 최종 탐지 점수를 형성한다.
• 2단계로 FasterRCNN과 CascadeRCNN을 사용하되 다양한 백본(ResNet, ResNeXt, BiFPN 등) 위에 구축한다.
• probabilistic two-stage 추론에 맞추어 하이퍼파라미터(IoU 임계값, 제안 수, NMS)를 조정하여 속도 이점을 유지한다.

실험 결과

연구 질문

• RQ1 확률적 해석이 1단계가 보정된 객체 가능성을 예측하도록 만들어 두 단계 탐지기의 학습을 통합하고 개선할 수 있는가?
• RQ2 전통적인 RPN을 강력한 한 단계 탐지기로 교체하는 것이 확률적 두 단계 탐지기를 형성할 때 정확도와 속도를 모두 향상시키는가?
• RQ3 1단계와 2단계 점수의 확률적 결합이 COCO, LVIS, Objects365에서 최종 탐지 성능에 어떤 영향을 미치는가?
• RQ4 확률적 두 단계 탐지기에서 제안 수의 양과 전통적 이단계 탐지기에 비한 정확도 간의 트레이드오프는 어떻게 되는가?

주요 결과

• 확률적 이단계 탐지기가 COCO test-dev에서 단일 스케일 테스트를 사용했을 때 56.4 mAP로 한 단계 및 전통적 두 단계 프리커서보다 우수하다.
• CenterNet2 기반 구성은 강력한 백본으로 56.4 mAP를 달성하여 COCO test-dev에서 발표된 결과를 상회한다.
• 실시간 CenterNet2 변형은 Titan Xp에서 33 fps로 49.2 mAP를 달성하며 같은 하드웨어에서 YOLOv4를 능가한다.
• 보정된 1단계와 함께 더 적은 수의 고품질 제안(256)을 사용할 때, 전통적 RPN 기반 두 단계 탐지기에서 1K 제안보다 더 빠르고 정확하다.
• LVIS와 Objects365에 걸쳐 CenterNet2가 CascadeRCNN 기반선보다 2.7–2.9 mAP 향상을 보여 대형 어휘 데이터 세트에 대한 강건성을 입증한다.