[논문 리뷰] Rotation Invariance Neural Network

Shiyuan Li|arXiv (Cornell University)|2017. 06. 17.

Image and Object Detection Techniques참고 문헌 13인용 수 4

한 줄 요약

이 논문은 2D 기호 인식에서 회전 불변성을 달성하기 위해 순환 컨볼루션 레이어를 갖춘 새로운 컨volutional 신경망 아키텍처를 제안한다. 특성 학습에서의 회전 대칭성을 활용함으로써 네트워크는 위치와 방향의 동시 탐지를 가능하게 하며, 특정 경우에 일회성 학습을 지원하고 데이터 증강 없이도 기울인 인스턴스에서 높은 정확도를 유지한다.

ABSTRACT

Rotation invariance and translation invariance have great values in image recognition tasks. In this paper, we bring a new architecture in convolutional neural network (CNN) named cyclic convolutional layer to achieve rotation invariance in 2-D symbol recognition. We can also get the position and orientation of the 2-D symbol by the network to achieve detection purpose for multiple non-overlap target. Last but not least, this architecture can achieve one-shot learning in some cases using those invariance.

연구 동기 및 목표

• 이미지 인식 분야에서 핵심 과제인 2D 기호 인식에서의 회전 불변성을 해결하기 위해.
• 단일 네트워크 아키텍처 내에서 객체의 위치와 방향을 동시에 예측할 수 있도록 하기 위해.
• 네트워크 설계에서 내재된 불변성 특성을 활용하여 일회성 학습을 지원하기 위해.
• CNN의 회전에 강건한 성능을 확보하기 위해 데이터 증강에 대한 의존도를 줄이기 위해.
• 기울인 상태에서 다중 비중첩 기호를 감지하기 위한 확장 가능하고 종단 간(end-to-end) 솔루션을 제공하기 위해.

제안 방법

• 특성 맵을 통해 회전 방식으로 필터를 적용함으로써 회전 등가성(rotational equivalence)을 강제하는 순환 컨볼루션 레이어를 제안한다.
• 공유된 특징 표현을 사용하여 검출된 기호의 공간적 위치와 방향을 동시에 출력하도록 네트워크를 설계한다.
• 공유된 특징 추출 기반(백본)과 회전 등가성 헤드를 조합하여 위치와 방향을 동시에 예측한다.
• 분류, 국소화, 방향 회귀를 통합한 손실 함수를 사용하여 공동 최적화를 수행한다.
• 순환 구조를 활용하여 명시적인 데이터 증강 없이도 회전 불변성을 암묵적으로 학습한다.
• 순환 레이어의 불변성 특성을 활용하여 소수의 예시에서 일반화를 달성함으로써 일회성 학습을 지원한다.

실험 결과

연구 질문

• RQ1 표준 CNN 아키텍처가 데이터 증강 없이도 회전 불변성을 달성할 수 있는가?
• RQ2 단일 네트워크가 높은 정확도로 객체의 위치와 방향을 동시에 예측할 수 있는가?
• RQ3 이 아키텍처가 기호 인식 작업에서 일회성 학습을 어느 정도 지원할 수 있는가?
• RQ4 표준 컨볼루션과 비교해 순환 컨볼루션 레이어가 기울인 상태에서 일반화 성능을 어떻게 향상시키는가?
• RQ5 기울인 상태에서 다중 비중첩 기호 감지 성능에 대해 회전 불변성이 어떤 영향을 미치는가?

주요 결과

• 순환 컨볼루션 레이어는 강력한 회전 불변성을 달성하여 표준 CNN 대비 기울인 테스트 샘플에서 성능 저하를 크게 감소시킨다.
• 네트워크는 높은 국소화 정확도와 방향 예측 정확도로 다중 비중첩 기호를 성공적으로 탐지한다.
• 순환 레이어의 불변성 특성 덕분에 특정 경우에서 일회성 일반화가 달성된다.
• 모델은 명시적으로 방향을 모델링하면서도 표준 벤치마크에서 경쟁력 있는 정확도를 유지한다.
• 이 아키텍처는 회전에 강건한 인식 작업에서 광범위한 데이터 증강의 필요성을 줄인다.
• 위치와 방향의 동시 예측은 성능 저하가 최소화된 다중 객체 시나리오에서도 효과적으로 기능한다.