[논문 리뷰] Soft Anchor-Point Object Detection

Chenchen Zhu, Fangyi Chen외 2명|arXiv (Cornell University)|2019. 11. 27.

Advanced Neural Network Applications참고 문헌 37인용 수 12

한 줄 요약

이 논문은 앵커프레임이 없는 객체 검출기의 정확도를 높이되 속도를 희생시키지 않는 새로운 훈련 전략인 소프트 앵커포인트 검출(SAPD)을 제안한다. 특징 피라미드 수준 내에서 잘못된 주의를 줄이기 위해 소프트 가중치를 부여한 앵커포인트와 다중 수준 특징 사용을 최적화하기 위해 소프트 선택된 피라미드 수준을 도입함으로써, SAPD는 단일 모델과 단일 스케일에서 COCO에서 47.4% AP를 달성하여 앵커기반 및 앵커프레임 없는 검출기 모두를 능가하는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Recently, anchor-free detection methods have been through great progress. The major two families, anchor-point detection and key-point detection, are at opposite edges of the speed-accuracy trade-off, with anchor-point detectors having the speed advantage. In this work, we boost the performance of the anchor-point detector over the key-point counterparts while maintaining the speed advantage. To achieve this, we formulate the detection problem from the anchor point's perspective and identify ineffective training as the main problem. Our key insight is that anchor points should be optimized jointly as a group both within and across feature pyramid levels. We propose a simple yet effective training strategy with soft-weighted anchor points and soft-selected pyramid levels to address the false attention issue within each pyramid level and the feature selection issue across all the pyramid levels, respectively. To evaluate the effectiveness, we train a single-stage anchor-free detector called Soft Anchor-Point Detector (SAPD). Experiments show that our concise SAPD pushes the envelope of speed/accuracy trade-off to a new level, outperforming recent state-of-the-art anchor-free and anchor-based detectors. Without bells and whistles, our best model can achieve a single-model single-scale AP of 47.4% on COCO.

연구 동기 및 목표

• 앵커포인트 검출기의 속도 우월성에도 불구하고 키포인트 검출기와의 성능 격차를 해소하기 위해.
• 앵커포인트 검출기의 정확도를 제한하는 주요 장애물로 간주되는 비효율적 훈련을 특정하기 위해.
• 특징 피라미드 수준 간 및 수준 내에서 앵커포인트를 공동 최적화하여 국소화 정확도와 특징 활용도를 향상시키기 위해.
• 경험적 특징 수준 선택에 대한 의존성과 훈련 중 잘못된 주의를 제거하기 위해.

제안 방법

• 지오메트릭 거리와 각 수준의 특징 참여도에 기반해 손실 기여도를 재가중하는 소프트 가중 앵커포인트를 도입한다.
• 경량 특징 선택 네트워크를 사용하여 인스턴스별로 각 수준의 참여도를 학습하고, 검출기와 함께 공동 최적화한다.
• 검출 성능 균형을 맞추고 잘 맞지 않는 특징을 억제하기 위해 분류 및 국소화 손실에 모두 소프트 가중을 적용한다.
• 훈련 중에 피라미드 수준을 소프트 선택하여 다중 수준 특징 융합을 가능하게 하며, 단일 수준 할당에 대한 엄격함을 피한다.
• 검출기와 함께 엔드 투 엔드로 특징 선택 네트워크를 훈련하지만, 추론 과정에서 제외하여 속도를 유지한다.
• 후처리가 아닌 훈련 중에 소프트 가중을 적용하여 잘못된 주의 문제를 직접 수정한다.

실험 결과

연구 질문

• RQ1 왜 앵커포인트 검출기는 더 빠른 추론과 더 단순한 아키텍처를 가졌음에도 불구하고 키포인트 검출기보다 성능이 열 劣할까?
• RQ2 훈련 중 잘못된 주의를 어떻게 완화시켜 앵커포인트 검출기의 국소화 정확도를 향상시킬 수 있을까?
• RQ3 다양한 피라미드 수준에서 특징을 최적의 방식으로 선택하고 가중치를 부여하는 방법은 무엇일까?
• RQ4 훈련 중 손실에 소프트 가중을 적용하는 것이 추론 시 신뢰도 점수 재가중보다 성능을 더 좋게 만들 수 있을까?
• RQ5 피라미드 수준을 가로질러 앵커포인트를 공동 최적화하면 다양한 백본 아키텍처에서 일관된 정확도 향상이 이루어질 수 있을까?

주요 결과

• SAPD는 단일 모델과 단일 스케일에서 COCO에서 47.4% AP를 달성하여 최고의 키포인트 검출기인 CenterNet(44.9%)를 능가하고, 정확도가 높은 TridentNet(46.8% AP)보다 3배 이상 빠른 성능을 보였다.
• 소프트 가중 앵커포인트 전략은 ResNet-50 기반 기준선 FSAF에 대해 COCO에서 2.1% AP 향상을 이끌었으며, 추론 속도 저하 없이 수행되었다.
• 훈련 중 손실에 소프트 가중을 적용하면 추론 시 최고의 센터니스 가중치 방법보다 1.1% AP 향상되었고, 후자의 경우 단지 0.6% AP 향상에 그쳤다.
• 분류 및 국소화 손실에 모두 소프트 가중을 적용할 경우 최고의 성능(48.5% AP)을 달성했으며, 한 손실만 재가중하는 것은 성능 저하를 초래했다.
• 특징 선택 네트워크는 피라미드 수준 간 인스턴스별 참여도를 성공적으로 학습하여 추론 비용 증가 없이 효과적인 다중 수준 특징 활용을 가능하게 하였다.
• 제안된 방법은 하이퍼파라미터에 대해 강건하며, 다양한 백본 네트워크와 고급 특징 피라미드 설계(예: Balanced FPN)에서도 일관되게 성능을 발휘하였다.