[논문 리뷰] Deep Active Learning for Remote Sensing Object Detection

Zhenshen Qu, Jingda Du외 3명|arXiv (Cornell University)|2020. 03. 17.

Machine Learning and Algorithms참고 문헌 11인용 수 12

한 줄 요약

이 논문은 원격 감지 객체 검출을 위한 새로운 불확실성 기반 활성 학습 프레임워크를 제안하며, 분류 및 회귀 불확실성의 조합을 통해 가장 정보가 많은 이미지를 선택함으로써 샘플 효율성을 향상시킨다. 클래스 불균형과 객체 수량 가중치를 통합하여 학습 효율성을 높인다. DOTA 데이터셋과 CenterNet을 사용한 실험에서, 이 방법은 훈련 이미지의 50%만으로도 전면 감독 학습 성능을 달성하며, 55%의 데이터와 가장 불확실한 샘플에 대한 가중치를 적용했을 때는 전면 감독 학습 성능을 초월한다.

ABSTRACT

Recently, CNN object detectors have achieved high accuracy on remote sensing images but require huge labor and time costs on annotation. In this paper, we propose a new uncertainty-based active learning which can select images with more information for annotation and detector can still reach high performance with a fraction of the training images. Our method not only analyzes objects' classification uncertainty to find least confident objects but also considers their regression uncertainty to declare outliers. Besides, we bring out two extra weights to overcome two difficulties in remote sensing datasets, class-imbalance and difference in images' objects amount. We experiment our active learning algorithm on DOTA dataset with CenterNet as object detector. We achieve same-level performance as full supervision with only half images. We even override full supervision with 55% images and augmented weights on least confident images.

연구 동기 및 목표

• 원격 감지 객체 검출을 위한 딥 CNN 학습에 드는 높은 annotation 비용을 줄이기 위해.
• annotation을 위한 가장 정보가 많은 이미지를 선택함으로써 샘플 효율성을 향상시키기 위해.
• 원격 감지 데이터셋의 클래스 불균형과 객체 수의 변동성을 가중치 기반 샘플링을 통해 해결하기 위해.
• 전면 감독 학습에 비해 훨씬 적은 수의 annotation 이미지로도 높은 검출 성능를 달성하기 위해.

제안 방법

• 이 방법은 정보가 가장 많은 샘플을 식별하기 위해 분류 불확실성과 회귀 불확실성을 조합한 이중 불확실성 측정을 사용한다.
• 클래스 불균형과 이미지 간 객체 수의 변동성을 반영하기 위해 두 가지 인스턴스 수준의 가중치를 도입한다.
• 가장 불확실한 샘플을 우선적으로 annotation 대상으로 선정하며, 희귀하거나 밀도가 낮은 객체에 대한 학습을 향상시키기 위해 추가 가중치를 적용한다.
• 활성 학습 루프는 불확실성 점수를 기반으로 이미지를 반복적으로 선택하고, 새로 annotation된 데이터로 검출기를 재학습시킨다.
• 이 방법은 DOTA 벤치마크에서 CenterNet을 객체 검출기로 사용하여 평가된다.
• 모델의 불확실성과 데이터셋 고유의 분포적 과제에 따라 샘플링 전략을 동적으로 조정한다.

실험 결과

연구 질문

• RQ1 불확실성 기반 활성 학습이 원격 감지에서 annotation 비용을 줄이면서도 높은 검출 정확도를 유지할 수 있는가?
• RQ2 분류 및 회귀 불확실성을 조합함으로써 원격 감지 객체 검출에서 샘플 선택 성능가 향상되는가?
• RQ3 활성 학습에서 인스턴스 수준의 가중치를 통해 클래스 불균형과 변동하는 객체 밀도 문제를 어느 정도 완화할 수 있는가?
• RQ4 부분 감독 학습을 통한 활성 학습이 모델 성능 측면에서 전면 감독 기반 모델을 초월할 수 있는가?

주요 결과

• 제안된 방법은 DOTA 데이터셋에서 훈련 이미지의 50%만으로도 전면 감독 학습 성능과 유사한 성능을 달성한다.
• 훈련 데이터의 55%와 가장 불확실한 샘플에 대한 가중치를 적용했을 때, 모델은 전면 감독 기반 모델을 초월한다.
• 회귀 불확실성의 통합은 이방성 예측을 식별하고 우선순위를 정함으로써 정확도를 향상시킨다.
• 클래스 불균형 및 객체 수량 가중치는 긴 꼬리 분포를 가진 원격 감지 데이터셋에서 학습 효율성을 크게 향상시킨다.
• 활성 학습 전략은 annotation 노력은 줄이면서도 검출 mAP를 유지하거나 향상시킨다.