[논문 리뷰] Region Proposal by Guided Anchoring

Jiaqi Wang, Kai Chen외 3명|arXiv (Cornell University)|2019. 01. 10.

Advanced Neural Network Applications참고 문헌 36인용 수 59

한 줄 요약

이 논문은 Guided Anchoring(GA)을 도입하여 앵커의 위치와 형태를 함께 예측하고, 앵커 가이드 특징 적합화를 통해 훨씬 적은 앵커로도 더 높은 리콜을 달성하며 Fast R-CNN, Faster R-CNN, RetinaNet 전반의 탐지 성능을 향상시킨다.

ABSTRACT

Region anchors are the cornerstone of modern object detection techniques. State-of-the-art detectors mostly rely on a dense anchoring scheme, where anchors are sampled uniformly over the spatial domain with a predefined set of scales and aspect ratios. In this paper, we revisit this foundational stage. Our study shows that it can be done much more effectively and efficiently. Specifically, we present an alternative scheme, named Guided Anchoring, which leverages semantic features to guide the anchoring. The proposed method jointly predicts the locations where the center of objects of interest are likely to exist as well as the scales and aspect ratios at different locations. On top of predicted anchor shapes, we mitigate the feature inconsistency with a feature adaption module. We also study the use of high-quality proposals to improve detection performance. The anchoring scheme can be seamlessly integrated into proposal methods and detectors. With Guided Anchoring, we achieve 9.1% higher recall on MS COCO with 90% fewer anchors than the RPN baseline. We also adopt Guided Anchoring in Fast R-CNN, Faster R-CNN and RetinaNet, respectively improving the detection mAP by 2.2%, 2.7% and 1.2%. Code will be available at https://github.com/open-mmlab/mmdetection.

연구 동기 및 목표

• 밀집하고 균일한 앵커에 대한 의존을 줄이고, 객체가 존재할 수 있는 위치와 해당 위치에서의 형태를 예측한다.
• 희소하고 적응적인 앵커를 생성하기 위한 위치와 형태의 두 가지 브랜치 앵커 예측 모듈을 개발한다.
• 위치 특성 앵커 형태에 맞춰 특징을 정렬하기 위한 앵커 가이드 특징 적응을 도입한다.
• 고품질 GA 제안이 2단계 및 단일 단계 탐지기에 어떤 개선을 가져오는지 조사하고 실용적인 미세 조정 워크플로우를 제공한다.

제안 방법

• 객체 중심 위치(p(x,y|FI))와 위치 의존 모양(w,h)을 예측하는 두 가지 브랜치 앵커 생성 모듈을 제안한다.
• 학습 안정화를 위한 변환을 통해 w=σ·s·exp(dw) 및 h=σ·s·exp(dh로 모양을 예측한다.
• 다층(FPN) 구현에서 레벨 간에 공유되는 앵커 생성 매개변수를 사용한다.
• 예측된 앵커 형태와 특징을 정렬하기 위해 변형 가능 컨볼루션을 이용한 앵커 가이드 특징 적응을 적용한다.
• 표준 분류 및 회귀 손실(L_cls, L_reg)과 함께 앵커 위치 손실(L_loc)과 앵커 형태 손실(L_shape)을 포함하는 다중 작업 손실로 학습한다.
• GA-RPN이 RPN보다 90% 적은 앵커로 더 높은 리콜을 제공하는 사례를 제시하고 GA를 Fast R-CNN, Faster R-CNN, RetinaNet에 삽입했을 때의 향상을 시연한다.

실험 결과

연구 질문

• RQ1 객체 중심과 모양을 함께 예측하여 희소하고 비균일한 방식으로 앵커를 효과적으로 생성할 수 있는가?
• RQ2 전용 적응 모듈을 통해 예측된 앵커 형태에 특징을 정렬하는 것이 검출 정확도를 향상시키는가?
• RQ3 전통적인 밀집 앵커와 비교하여 GA 기반 제안이 2단계 및 단일 단계 탐지기에 어떤 영향을 미치는가?
• RQ4 고품질 GA 제안이 기존 탐지기의 학습 및 미세 조정을 향상시킬 수 있는가?

주요 결과

Method	Backbone	AR100	AR300	AR1000	AR_S	AR_M	AR_L	runtime(s)/img
RPN	ResNet-50-FPN	47.5	54.7	59.4	31.7	55.1	64.6	0.09
GA-RPN	ResNet-50-FPN	59.2	65.2	68.5	40.9	67.8	79.0	0.13

• GA-RPN은 COCO에서 조밀한 RPN 기준선보다 90% 적은 앵커로 9.1% 높은 리콜을 달성한다.
• 앵커를 GA로 대체하면 mAP가 각각 2.2%(GA-Fast-RCNN), 2.7%(GA-Faster-RCNN), 1.2%(GA-RetinaNet)만큼 향상된다.
• 앵커 위치 및 형태 예측과 특징 적응은 상당한 리콜 증가와 효율성 이점을 제공한다.
• GA-RPN 제안을 이용한 미세 조정 스킴은 훈련된 Faster R-CNN의 AP를 3 에포크에서 37.4%에서 39.6%로 상승시킬 수 있다.
• 높은 IoU 임계값을 가진 고품질 GA 제안을 사용할 때 많은 제안의 필요성을 줄이고 더 적은 샘플로 학습할 때 탐지기의 성능을 향상시킨다.