[논문 리뷰] SIoU Loss: More Powerful Learning for Bounding Box Regression

Zhora Gevorgyan|arXiv (Cornell University)|2022. 05. 25.

Advanced Neural Network Applications인용 수 563

한 줄 요약

SIoU는 예측 박스와 실제 박스 간의 부합 방향을 고려한 바운딩 박스 회귀 손실을 도입하여 학습 속도와 정확도를 향상시킵니다.

ABSTRACT

The effectiveness of Object Detection, one of the central problems in computer vision tasks, highly depends on the definition of the loss function - a measure of how accurately your ML model can predict the expected outcome. Conventional object detection loss functions depend on aggregation of metrics of bounding box regression such as the distance, overlap area and aspect ratio of the predicted and ground truth boxes (i.e. GIoU, CIoU, ICIoU etc). However, none of the methods proposed and used to date considers the direction of the mismatch between the desired ground box and the predicted, "experimental" box. This shortage results in slower and less effective convergence as the predicted box can "wander around" during the training process and eventually end up producing a worse model. In this paper a new loss function SIoU was suggested, where penalty metrics were redefined considering the angle of the vector between the desired regression. Applied to conventional Neural Networks and datasets it is shown that SIoU improves both the speed of training and the accuracy of the inference. The effectiveness of the proposed loss function was revealed in a number of simulations and tests.

연구 동기 및 목표

• 객체 탐지를 위한 개선된 바운딩 박스 회귀 손실 함수의 필요성을 제기한다.
• 박스 간 불일치 방향을 무시하는 기존 손실의 한계를 다룬다.
• 예측 박스와 실제 박스 간의 각도를 이용해 페널티를 재정의하는 SIoU 손실을 제안한다.
• 표준 데이터셋에서 학습 속도 및 추론 정확도 향상을 시연한다.

제안 방법

• 예측 박스에서 실제 박스로의 벡터의 각도를 포함하는 페널티 항을 갖는 SIoU 손실을 정의한다.
• 방향 정보를 포함하도록 거리, 겹침, 종횡비 고려사항을 재정의한다.
• 물체 탐지를 위한 표준 신경망에 SIoU를 통합하고 일반 데이터셋에서 평가한다.
• GIoU, CIoU, ICIoU와 같은 기존 손실과의 수렴 속도 및 정확도를 비교한다.

실험 결과

연구 질문

• RQ1 회귀 손실에 방향 정보를 도입하면 학습 중 수렴 속도가 빨라지는가?
• RQ2 SIoU가 기존 손실과 비교해 바운딩 박스 회귀 정확도를 향상시키는가?
• RQ3 일반적인 객체 탐지 파이프라인에서 SIoU가 추론 성능에 어떤 영향을 미치는가?

주요 결과

• SIoU는 전통적 손실에 비해 학습 효율을 향상시킨다.
• 실험적 테스트에서 바운딩 박스 예측의 정확도를 향상시킨다.
• 방향성 페널티로 최적화 도중 더 빠른 수렴을 유도한다.
• 이 접근 방식은 기존의 신경망 탐지기 및 데이터세트와 호환된다.