[논문 리뷰] Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection

Jiachen Li, Bowen Cheng외 5명|arXiv (Cornell University)|2021. 04. 29.

Advanced Neural Network Applications참고 문헌 44인용 수 5

한 줄 요약

이 논문은 Pseudo-IoU를 제안하며, 각 특징 맵 포인트 중심에 위치한 가짜 박스와 진짜 박스 사이의 교차율(Intersection-over-Union)을 계산하여 앵커리스 객체 검출에서 정확한 IoU 기반 레이블 할당을 가능하게 하는 단순하면서도 효과적인 메트릭을 제공한다. 추가적인 파rameter나 계산 비용 없이 이 메트릭을 적용함으로써, PASCAL VOC 및 MSCOCO 벤치마크에서 앵커리스 검출기의 성능을 2.1–3.1% 향상시키며, 최신 기법들과 비교할 만한 성능을 달성한다.

ABSTRACT

Current anchor-free object detectors are quite simple and effective yet lack accurate label assignment methods, which limits their potential in competing with classic anchor-based models that are supported by well-designed assignment methods based on the Intersection-over-Union~(IoU) metric. In this paper, we present extbf{Pseudo-Intersection-over-Union~(Pseudo-IoU)}: a simple metric that brings more standardized and accurate assignment rule into anchor-free object detection frameworks without any additional computational cost or extra parameters for training and testing, making it possible to further improve anchor-free object detection by utilizing training samples of good quality under effective assignment rules that have been previously applied in anchor-based methods. By incorporating Pseudo-IoU metric into an end-to-end single-stage anchor-free object detection framework, we observe consistent improvements in their performance on general object detection benchmarks such as PASCAL VOC and MSCOCO. Our method (single-model and single-scale) also achieves comparable performance to other recent state-of-the-art anchor-free methods without bells and whistles. Our code is based on mmdetection toolbox and will be made publicly available at https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection.

연구 동기 및 목표

• 현재 앵커리스 객체 검출기에서 표준화되고 정확한 레이블 할당이 부족하여 앵커기반 모델 대비 성능이 제한되는 문제를 해결하기 위해.
• 신뢰할 수 있는 IoU 기반 할당 메커니즘을 도입함으로써 앵커리스와 앵커기반 검출기 간의 성능 격차를 해소하기 위해.
• 기존 앵커기반 방법들(예: Cascade R-CNN, Libra R-CNN)에서 유용한 할당 전략(예: 어려운 음성 샘플 제거, 계층적 헤드)을 앵커리스 프레임워크로 이식할 수 있도록 하기 위해.

제안 방법

• 진짜 박자 안의 각 점에 대해, 특징 맵 투영을 통해 같은 크기의 가짜 박스를 그 점 중심에 생성한다.
• Pseudo-IoU는 가짜 박스와 진짜 박자 사이의 IoU로 계산되며, 각 점에 대해 [0,1] 범위의 값을 갖는다.
• Pseudo-IoU 값이 임계치 T ∈ [0,1]를 초과하면 해당 점을 양성 샘플로 할당하고, 그렇지 않으면 음성 샘플로 할당함으로써 표준화된 레이블 할당을 구현한다.
• 추가 파rameter나 추론 비용 없이도, 엔드 투 엔드 단일 단계 앵커리스 검출기와 통합 가능하다.
• 기존 구성 요소(예: 중심성, GIoU 손실)와 호환되어 점진적인 성능 향상을 가능하게 한다.
• 프레임워크는 재현 가능성을 위해 공개된 mmdetection 툴박스를 사용해 구현되었다.

실험 결과

연구 질문

• RQ1 추가 파rameter나 계산 비용 없이도 단순하고 비용이 들지 않는 메트릭이 앵커리스 객체 검출에서 레이블 할당 정확도를 향상시킬 수 있는가?
• RQ2 이전에 앵커기반 방법에서 효과적이었던 IoU 기반 할당이 앵커리스 검출기로 일반화되어 효과적으로 작용하는가?
• RQ3 Pseudo-IoU는 어려운 음성 샘플 제거, 계층적 헤드 등 고급 훈련 전략을 앵커리스 검출에 이식할 수 있는가?
• RQ4 mAP 및 오류 양성 샘플 감소 측면에서 Pseudo-IoU는 중심성 또는 스케일링된 박스 메트릭과 비교해 어떻게 성능을 냈는가?
• RQ5 아키텍처적 기능을 추가하지 않더라도 Pseudo-IoU 기반 할당이 최신 앵커리스 기법들과 경쟁 가능한 성능을 달성할 수 있는가?

주요 결과

• 제안된 Pseudo-IoU 방법은 PASCAL VOC 2007 테스트 세트에서 기준 모델 대비 2.1% mAP 향상을 달성했다.
• MSCOCO minival 세트에서 이 방법은 기준 모델 대비 2.9% mAP 향상을 기록했으며, RetinaNet을 1.1% mAP 뛰어넘었다.
• MSCOCO test-dev 세트에서 이 방법은 ResNet-101 백본을 사용해 기준 모델 대비 3.1% mAP 향상을 달성했다.
• 시각적 비교를 통해 검출 결과에서 오류 양성 샘플을 감소시키고 국소화 정확도를 향상시켰다.
• 중심성(78.7% mAP) 및 스케일링된 박스(78.3% mAP)와 같은 대안 할당 메트릭보다 우수하여, PASCAL VOC에서 79.0% mAP를 기록했다.
• GIoU 및 중심성과 같은 기존 구성 요소와 완전히 호환되어 결합 시 추가 성능 향상을 이끌 수 있었다.