[论文解读] Localization Uncertainty Estimation for Anchor-Free Object Detection

Youngwan Lee, Joong‐won Hwang+5 more|arXiv (Cornell University)|Jun 28, 2020

Advanced Neural Network Applications被引用 7

一句话总结

本文提出了一种新型的定位不确定性估计方法——不确定性感知检测（UAD），专为无锚点目标检测设计，可对四个方向的偏移量（左、右、上、下）进行不确定性量化，取值范围为[0,1]。通过引入负幂对数似然损失和不确定性感知的焦点损失，UAD在COCO数据集上将FCOS的性能提升最高达1.8 AP，且无计算开销，从而在安全关键型应用中实现更可靠的检测。

ABSTRACT

Since many safety-critical systems, such as surgical robots and autonomous driving cars operate in unstable environments with sensor noise and incomplete data, it is desirable for object detectors to take the localization uncertainty into account. However, there are several limitations of the existing uncertainty estimation methods for anchor-based object detection. 1) They model the uncertainty of the heterogeneous object properties with different characteristics and scales, such as location (center point) and scale (width, height), which could be difficult to estimate. 2) They model box offsets as Gaussian distributions, which is not compatible with the ground truth bounding boxes that follow the Dirac delta distribution. 3) Since anchor-based methods are sensitive to anchor hyper-parameters, their localization uncertainty could also be highly sensitive to the choice of hyper-parameters. To tackle these limitations, we propose a new localization uncertainty estimation method called UAD for anchor-free object detection. Our method captures the uncertainty in four directions of box offsets (left, right, top, bottom) that are homogeneous, so that it can tell which direction is uncertain, and provide a quantitative value of uncertainty in [0, 1]. To enable such uncertainty estimation, we design a new uncertainty loss, negative power log-likelihood loss, to measure the localization uncertainty by weighting the likelihood loss by its IoU, which alleviates the model misspecification problem. Furthermore, we propose an uncertainty-aware focal loss for reflecting the estimated uncertainty to the classification score. Experimental results on COCO datasets demonstrate that our method significantly improves FCOS, by up to 1.8 points, without sacrificing computational efficiency.

研究动机与目标

• 为解决现有基于锚点的目标检测方法中不确定性估计存在的局限性，如模型误设和对超参数的敏感性。
• 为无锚点检测器提供显式的、方向性的不确定性估计，以捕捉哪一方向的边界存在模糊性。
• 为每个四个边界框偏移量（左、右、上、下）提供[0,1]范围内的可量化不确定性分数，以提升检测可靠性。
• 通过不确定性感知的焦点损失将不确定性估计集成到分类任务中，提升NMS中的目标排序与检测质量。
• 在不增加计算成本的前提下实现性能提升，确保在实时系统中的实际部署可行性。

提出的方法

• 提出一种四方向不确定性估计框架，将左、右、上、下偏移量分别独立建模为高斯分布。
• 引入一种负幂对数似然损失，通过IoU对似然损失进行加权，以缓解狄拉克δ函数与高斯分布之间的模型误设问题。
• 设计一种确定性表示网络，用于预测每个方向的不确定性分数，从而实现在[0,1]范围内的可量化不确定性。
• 开发一种不确定性感知的焦点损失，将估计的不确定性融入分类分数中，提升NMS阶段的对象排序能力。
• 采用多任务头端到端训练模型，联合预测分类、边界框偏移量和方向性不确定性。
• 使用ResNeXt主干网络，并在COCO数据集上评估性能增益与跨架构的鲁棒性。

实验结果

研究问题

• RQ1 在无锚点检测中，对四个边界框偏移量（左、右、上、下）进行方向性不确定性估计，是否能提升定位可靠性？
• RQ2 与标准负对数似然损失相比，通过IoU加权的负幂对数似然损失是否能更有效地减少模型误设？
• RQ3 不确定性感知分类是否能在不增加推理成本的前提下，提升NMS排序与整体检测性能？
• RQ4 UAD在不同主干网络架构（尤其是更深的ResNeXt-101）上的表现如何？
• RQ5 在[0,1]范围内估计的不确定性值是否能有效指示模糊或遮挡的物体边界？

主要发现

• 当使用ResNeXt-101-32x8d-DCN主干网络时，UAD在COCO数据集上使FCOS的性能提升+1.8 AP，且无计算开销。
• 该方法在多个主干网络上均表现出一致的性能增益，包括在ResNeXt-101-32x8d上提升+1.3 AP，在ResNeXt-101-64x4d上提升+1.4 AP。
• 对于模糊或遮挡的边界，如被水遮挡的下半身或被树枝部分遮挡的鸟，UAD估计的置信度较低（例如C_B: 22%）。
• 不确定性感知的焦点损失改善了分类分数的校准性，从而提升了NMS中的目标排序质量。
• 尽管GFL采用了更复杂的采样策略，但在使用ResNeXt-101-32x8d-DCN主干网络时，UAD在AP指标上仍优于GFL（48.4 vs. 48.2 AP）。
• 所提出的不确定性估计能有效捕捉方向性模糊性，例如在电视上被猫尾巴遮挡的女性，其右向置信度极低（C_R: 1%）