[논문 리뷰] Fast Region Proposal Learning for Object Detection for Robotics

Federico Ceola, Elisa Maiettini외 3명|arXiv (Cornell University)|2020. 11. 25.

Advanced Neural Network Applications참고 문헌 37인용 수 5

한 줄 요약

이 논문은 로봇 공학 분야에서 객체 검출을 위한 빠르고 온라인 학습 가능한 방법을 제안하며, 영역 제안 네트워크(RPN)와 분류 헤드를 동시에 적응시킴으로써 훈련 시간을 크게 단축하면서도 이전의 빠른 적응 방법보다 정확도를 향상시킨다. 이 방법은 온라인 학습 원리를 활용한 하이브리드 훈련 전략을 통해 분석 시간이 분 단위로 이뤄지는 상태최고 성능을 달성한다.

ABSTRACT

Object detection is a fundamental task for robots to operate in unstructured environments. Today, there are several deep learning algorithms that solve this task with remarkable performance. Unfortunately, training such systems requires several hours of GPU time. For robots, to successfully adapt to changes in the environment or learning new objects, it is also important that object detectors can be re-trained in a short amount of time. A recent method [1] proposes an architecture that leverages on the powerful representation of deep learning descriptors, while permitting fast adaptation time. Leveraging on the natural decomposition of the task in (i) regions candidate generation, (ii) feature extraction and (iii) regions classification, this method performs fast adaptation of the detector, by only re-training the classification layer. This shortens training time while maintaining state-of-the-art performance. In this paper, we firstly demonstrate that a further boost in accuracy can be obtained by adapting, in addition, the regions candidate generation on the task at hand. Secondly, we extend the object detection system presented in [1] with the proposed fast learning approach, showing experimental evidence on the improvement provided in terms of speed and accuracy on two different robotics datasets. The code to reproduce the experiments is publicly available on GitHub.

연구 동기 및 목표

• 딥 러닝 기반 객체 검출기에서 긴 훈련 시간이 발생하는 문제를 해결하여 로봇 시스템에서 실시간 적응을 가능하게 하기 위해.
• 기존의 분류기뿐 아니라 영역 제안 네트워크(RPN)까지 온라인 학습을 확장함으로써 빠른 적응 방법의 성능을 향상시키기 위해.
• 로봇 공학에서 새로운 객체나 환경에 대해 빠르고 신뢰할 수 있는 훈련이 가능한 하이브리드 검출 파이프라인을 설계하기 위해.
• 테스트 데이터에 의존하지 않고 오프라인으로 초모수를 최적화하여 과적합을 줄이고 일반화 능력을 향상시키기 위해.

제안 방법

• 마스크 R-CNN의 특징 추출기와 함께 빠른 학습 가능한 RPN을 결합한 새로운 객체 검출 파이프라인을 제안한다.
• 온라인 학습 전략을 적용하여 RPN을 새로운 작업에 대해 전체 재학습 없이도 신속히 재학습할 수 있도록 한다.
• 이중 단계 훈련 프로토콜을 도입한다: 특징 추출기는 한 번만 사전 훈련하고, 새로운 데이터에서 RPN과 분류기를 신속히 미세조정한다.
• 검증 세트를 사용하여 초모수를 최적화하여 과적합을 방지하며, 훈련 시간은 데이터 확보부터 모델 배포까지를 기준으로 측정한다.
• 특징 추출과 RPN 적응을 병렬로 수행하는 하이브리드 훈련 전략을 활용하여 전체 훈련 지연 시간을 감소시킨다.
• 정확도와 효율성을 평가하기 위해 mAP 및 AR 지표를 사용하여 두 가지 로봇 벤치마크(iCWT 및 TABLE-TOP)에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 분류기 외에도 영역 제안 네트워크(RPN)를 적응시킴으로써 빠른 적응 시나리오에서 검출 정확도를 향상시킬 수 있는가?
• RQ2 전체 미세조정 대비 빠른 학습 가능한 RPN이 훈련 시간을 단축하면서도 성능을 유지하거나 향상시키는가?
• RQ3 기본적인 전체 미세조정 대비 과적합과 초모수 민감도 측면에서 제안된 방법은 어떻게 비교되는가?
• RQ4 50~100개의 영역 제안으로도 성능을 손상시키지 않고 계산 부담을 줄일 수 있는가?

주요 결과

• 제안된 방법은 이전의 빠른 학습 방법 [1]보다 더 높은 평균 정밀도(mAP)를 달성하며, 테스트 세트에서 초모수를 테스트 세트에서 최적화한 경우 iCWT 테스트 세트에서 mAP가 79.8%에 도달한다.
• 300개에서 100개로 영역 제안 수를 줄였지만 평균 재현율(AR)은 상한선에 가까운 수준을 유지하여 계산 부담을 3배 감소시켰다.
• 단지 50개의 제안만으로도 기준 동결 RPN보다 더 높은 AR을 유지하여 낮은 제안 수에서도 강건함을 입증했다.
• 전체 미세조정 기반 방법보다 과적합에 덜 민감한 것으로 나타났으며, 검증 세트와 테스트 세트 성능 간 격차가 작다는 점에서 이를 뒷받침한다.
• 훈련 시간은 실험 간에 일정하게 유지되며(분 이내), 전체 미세조정와 달리 데이터를 전체로 로드하고 셔플링하는 데 소요되는 시간이 필요하지 않다.
• 훈련 시간이 분 단위로 측정되어 기존의 전형적인 미세조정 방식(수 시간이 소요됨)보다 훨씬 빠르며, 상태최고 성능을 달성한다.