[논문 리뷰] Resolving Class Imbalance in Object Detection with Weighted Cross Entropy Losses

Trong Huy Phan, Kazuma Yamamoto|arXiv (Cornell University)|2020. 06. 02.

Advanced Neural Network Applications참고 문헌 19인용 수 54

한 줄 요약

본 논문은 가중 교차 엔트로피 손실이 물체 인식에서 클래스 불균형을 완화할 수 있는지 조사하고, Balanced Cross Entropy, Focal Loss, Class-Balanced Loss를 BDD100K와 같은 불균형 데이터셋에서 비교한다.

ABSTRACT

Object detection is an important task in computer vision which serves a lot of real-world applications such as autonomous driving, surveillance and robotics. Along with the rapid thrive of large-scale data, numerous state-of-the-art generalized object detectors (e.g. Faster R-CNN, YOLO, SSD) were developed in the past decade. Despite continual efforts in model modification and improvement in training strategies to boost detection accuracy, there are still limitations in performance of detectors when it comes to specialized datasets with uneven object class distributions. This originates from the common usage of Cross Entropy loss function for object classification sub-task that simply ignores the frequency of appearance of object class during training, and thus results in lower accuracies for object classes with fewer number of samples. Class-imbalance in general machine learning has been widely studied, however, little attention has been paid on the subject of object detection. In this paper, we propose to explore and overcome such problem by application of several weighted variants of Cross Entropy loss, for examples Balanced Cross Entropy, Focal Loss and Class-Balanced Loss Based on Effective Number of Samples to our object detector. Experiments with BDD100K (a highly class-imbalanced driving database acquired from on-vehicle cameras capturing mostly Car-class objects and other minority object classes such as Bus, Person and Motor) have proven better class-wise performances of detector trained with the afore-mentioned loss functions.

연구 동기 및 목표

• 물체 탐지에서 클래스 불균형 문제와 탐지기 성능에 미치는 영향을 동기 부여한다.
• 가중 교차 엔트로피 변형이 탐지기의 소수 클래스 정확도를 향상시킬 수 있는지 평가한다.
• 매우 불균형한 주행 데이터셋(BDD100K)에서의 효과를 입증한다.

제안 방법

• Weighted Cross Entropy 변형(Balanced Cross Entropy, Focal Loss, Class-Balanced Loss Based on Effective Number of Samples)을 물체 탐지기에 적용한다.
• 이 손실을 이용해 불균형 데이터에서 탐지기를 훈련시켜 클래스별 성능 향상을 평가한다.
• 주된 Car 객체가 다수이고 Bus, Person, Motor와 같은 소수 클래스를 가지는 주행 데이터셋(BDD100K)으로 실험한다.
• 손실 변형 간의 탐지기 성능을 비교하여 소수 클래스의 이득을 식별한다.

실험 결과

연구 질문

• RQ1 가중 교차 엔트로피 손실이 불균형 데이터셋에서 클래스별 탐지 정확도를 향상시킬 수 있는가?
• RQ2 어떤 손실 변형이 소수 클래스의 성능을 물체 인식에서 가장 효과적으로 향상시키는가?
• RQ3 이 손실들이 주행 데이터셋에서 전체 탐지기 성능에 영향을 미치거나 소수 클래스에만 영향을 미치는가?
• RQ4 BDD100K의 결과가 실제 세계의 불균형 시나리오에 대한 접근법을 어떻게 검증하는가?

주요 결과

• 가중 교차 엔트로피 변형이 소수 객체 클래스의 클래스별 성능을 향상시키는 것으로 나타났다.
• BDD100K에 대한 실험은 Bus, Person, Motor와 같은 덜 자주 등장하는 클래스의 이득을 보여주지만 정확한 수치를 명시하지 않는다.
• 논문은 균형화/가중 전략이 표준 아키텍처로 학습된 탐지기에 도움을 줄 수 있다는 증거를 제공한다.
• 손실 중 Focal Loss와 Class-Balanced Loss가 불균형 환경에서 효과적인 옵션으로 식별된다.