[논문 리뷰] Weighted Boxes Fusion: ensembling boxes for object detection models

Roman Solovyev, Weimin Wang|arXiv (Cornell University)|2019. 10. 29.

Advanced Neural Network Applications인용 수 39

한 줄 요약

이 논문은 가중치 상자 융합(Weighted Boxes Fusion, WBF)을 소개하며, 신뢰도 점수를 사용하여 가중 평균을 계산함으로써 다중 바운딩 박스 예측을 앙상블하는 방법을 통해 객체 검출 성능을 향상시킨다. COCO 및 Open Images에서 평가된 결과, WBF는 신뢰도 기반 가중치를 활용해 겹치는 검출 결과를 효과적으로 융합함으로써 최신 기술 수준의 성능을 달성하였으며, 코드는 공개되어 있다.

ABSTRACT

In this work, we present a novel method for combining predictions of object detection models: weighted boxes fusion. Our algorithm utilizes confidence scores of all proposed bounding boxes to constructs the averaged boxes. We tested method on several datasets and evaluated it in the context of the Open Images and COCO Object Detection tracks, achieving top results in these challenges. The source code is publicly available at this https URL

연구 동기 및 목표

• 다양한 객체 검출 모델에서 유도된 일관성 없거나 겹치는 바운딩 박스 예측 문제를 해결하기 위해.
• 신뢰도 점수를 활용해 다중 예측 박스를 지능적으로 융합함으로써 검출 성능을 향상시키기 위해.
• 다양한 검출 벤치마크에 적용 가능한 일반화 가능하고 경량의 후처리 기법을 개발하기 위해.
• COCO 및 Open Images와 같은 주요 객체 검출 과제에서 최고의 성능을 달성하기 위해.

제안 방법

• 다양한 객체 검출기에서 유도된 다중 예측 바운딩 박스를 집계한다.
• 각 바운딩 박스의 신뢰도 점수를 가중치로 사용하여 바운딩 박스 좌표의 가중 평균을 계산한다.
• 겹치는 박스는 입력 박스들의 가중 평균을 기반으로 위치와 크기가 결정되는 새로운 박스를 계산하여 융합한다.
• IoU(교차 영역 비율)를 사용하여 박자 간의 겹침을 판단하고 관련 예측을 그룹화한다.
• 융합된 박스들 중에서 가장 높은 신뢰도 점수를 가진 박스를 최종 선택한다.
• 모델 재학습이나 아키텍처 변경 없이도 후처리 단계로 적용 가능한 점을 고려한다.

실험 결과

연구 질문

• RQ1 신뢰도 점수를 효과적으로 활용하여 융합된 객체 검출 예측의 품질을 향상시킬 수 있는가?
• RQ2 mAP 측면에서 가중 융합 기법은 비가중 또는 비신뢰도 기반 융합 기법보다 어떻게 비교되는가?
• RQ3 WBF는 COCO 및 Open Images와 같은 표준 벤치마크에서 성능 향상에 얼마나 기여하는가?
• RQ4 이 기법은 다양한 검출 모델과 데이터셋에 대해 안정적인가?

주요 결과

• Weighted Boxes Fusion는 Open Images 객체 검출 과제에서 최신 기술 수준의 성능을 달성하였다.
• 기본 융합 기법 대비 COCO 데이터셋에서 평균 평균 정확도(mAP)가 향상되었다.
• 다양한 검출 모델과 테스트 세트에서 일관된 성능 향상 효과를 보였다.
• 모델 재학습이나 아키텍처 변경 없이도 후처리 단계로 효과적으로 기능하는 것으로 입증되었다.