[논문 리뷰] Slender Object Detection: Diagnoses and Improvements

Zhaoyi Wan, Yimin Chen외 4명|arXiv (Cornell University)|2020. 11. 17.

Advanced Neural Network Applications참고 문헌 38인용 수 13

한 줄 요약

이 논문은 미세한 물체 검출에 대한 체계적 분석을 제안하며, 성능 향상의 핵심 요소로 특징 적응을 규명한다. 이는 앵커 기반 국소화나 전용 박스 표현 방식을 초월한다. 제안된 일반화된 자기 적응 모듈은 극히 작은(XS) 물체에서 mAP를 2.1% 향상시키고, 작은(S) 물체에서 1.0% 향상시키며, 일반 물체에는 최소한의 비용만을 유발한다. 이는 길이감지 특징 적응이 다양한 검출 벤치마크에서 일관된 성능 향상을 가능하게 한다는 것을 보여준다.

ABSTRACT

In this paper, we are concerned with the detection of a particular type of objects with extreme aspect ratios, namely extbf{slender objects}. In real-world scenarios, slender objects are actually very common and crucial to the objective of a detection system. However, this type of objects has been largely overlooked by previous object detection algorithms. Upon our investigation, for a classical object detection method, a drastic drop of $18.9\%$ mAP on COCO is observed, if solely evaluated on slender objects. Therefore, we systematically study the problem of slender object detection in this work. Accordingly, an analytical framework with carefully designed benchmark and evaluation protocols is established, in which different algorithms and modules can be inspected and compared. \New Our study reveals that effective slender object detection can be achieved ~ extbf{with none of} (1) anchor-based localization; (2) specially designed box representations. Instead, extbf{the critical aspect of improving slender object detection is feature adaptation}. It identifies and extends the insights of existing methods that are previously underexploited. Furthermore, we propose a feature adaption strategy that achieves clear and consistent improvements over current representative object detection methods.

연구 동기 및 목표

• 표준화된 평가 및 벤치마크가 부족하여 간과당해 온, 물체 검출 분야에서 중요한 문제이지만 여전히 간과당하고 있는 미세한 물체 검출을 체계적으로 조사하기 위해.
• 정의 문제, 평가 편향, 데이터 분포 문제를 규명하여 기존의 미세한 물체 검출 실패 원인을 진단하기 위해.
• 미세한 물체 검출에 대한 검출 방법 간 공정한 비교를 가능하게 하는 통합 분석 프레임워크를 구축하여, 모델 구성 요소의 체계적 분석을 가능하게 하기 위해.
• 앵커 기반 또는 전용 박스 표현 방식을 초월하여 효과적인 미세한 물체 검출을 가능하게 하는 핵심 요소를 규명하기 위해.
• 일반화된 특징 적응 전략인 '자기 적응'을 제안하여, 일반 물체의 성능을 유지하면서도 미세한 물체 검출 성능을 향상시키기 위해.

제안 방법

• 저자들은 COCO 및 COCO+ 데이터셋에서 메서드 간 공정한 비교를 가능하게 하기 위해 데이터 편향을 제거하는 통합 평가 프로토콜을 갖춘 벤치마크를 설계하였다.
• 내재적으로 미세한 물체, 가림/절단된 물체, 각도에 민감한 얇은 판으로 나뉘는 세 가지 유형의 미세한 물체에 대해 검출 실패 원인을 분석하였다.
• 핵심 방법으로는 '자기 적응'이라는 일반화된 특징 적응 모듈을 도입하였으며, 이는 중심 우선순위를 개선하여 물체의 미세함을 반영하는 가속도 s를 도입함으로써 중심도 점수 공식을 확장한다.
• 미세함 우선순위는 $\text{centerness}^* = \left(\frac{\min(l,r)}{\max(l,r)} \times \frac{\min(t,b)}{\max(t,b)}\right)^s$로 수식화되며, 여기서 s는 미세한 물체에 유리하도록 조정된다.
• 이 방법은 RetinaNet과 FCOS에서 평가되었으며, 제거 실험 결과 일반 물체(R)에 큰 성능 저하 없이 XS 및 S 카테고리에서 일관된 성능 향상을 보였다.
• 이 프레임워크는 기울인 바운딩 박스를 사용한 평가를 지원하여, 실제 환경에서의 방향 인식 검출 분석이 가능하다.

실험 결과

연구 질문

• RQ1 COCO에서 표준 검출기로만 미세한 물체를 평가했을 때 mAP가 18.9% 감소하는 이유는 무엇인가?
• RQ2 왜 앵커 기반 및 전용 박스 표현 방식은 미세한 물체로의 일반화에 실패하며, 이러한 방식은 대체 가능한 설계 원칙로 대체될 수 있는가?
• RQ3 효과적인 미세한 물체 검출을 가능하게 하는 핵심 아키텍처나 최적화 요소는 무엇이며, 이를 어떻게 분리하고 측정할 수 있는가?
• RQ4 일반화된 특징 적응 전략이 성능의 상충 없이도 미세한 물체와 일반 물체 양쪽에서 검출 성능을 향상시킬 수 있는가?
• RQ5 왜곡된 데이터나 일관성 없는 지표로 인한 편향을 피하기 위해, 미세한 물체 검출을 공정하게 평가하기 위한 평가 프로토콜을 어떻게 표준화할 수 있는가?

주요 결과

• RetinaNet를 사용해 COCO에서 단지 미세한 물체에 대해 평가했을 때 mAP가 18.9% 감소함을 관찰하였으며, 이는 문제의 심각성을 드러낸다.
• 앵커 기반 국소화 및 전용 박스 표현 방식은 효과적인 미세한 물체 검출에 필수적인 것이 아니며, 이러한 요소가 없더라도 성능 저하가 발생하지 않는다.
• 특징 적응이 검출 성능 향상의 핵심 요소로 규명되었으며, 자기 적응 모듈은 극히 작은(XS) 물체에서 2.1%의 mAR 향상을, 작은(S) 물체에서 1.0%의 mAR 향상을 달성하였다.
• 가속도 s를 통해 중심도 점수에 미세함 우선순위를 통합함으로써 유리한 트레이드오프를 달성하였으며, 일반 물체(R)의 mAR는 약간 감소할 뿐이지만, 미세한 물체 검출 성능은 크게 향상되었다.
• 자기 적응 모듈은 ResNet-101 기반 COCO+에서 mAR를 49.7%까지 향상시켰으며, 기준 FCOS 대비 XS 카테고리에서 0.8% 향상되고 S 카테고리에서 1.4% 향상되었다.
• 제안된 분석 프레임워크는 일관되고 공정한 평가를 가능하게 하였으며, 이는 이전 방법들이 데이터 및 지표의 불균형으로 인해 미세한 물체에 대해 편향을 지닌 것으로 드러났다.