FSAF 톺아보기

FSAF

(Feature Selective Anchor-Free Module for Single-Shot Object Detection)

• FSAF Paper : Here

Abstract

Feature Selective Anchor-Free 모듈을 제안하는 논문이고 피라미드 구조의 single object detector에 연결할수 있다. FSAF 모듈은 anchor-based object detection의 두가지 한계를 해결한다.

• 1 직접 선택해야 한다.(heuristic)
• 2 overlap 기반으로 anchor를 sampling한다.

anchor-free는 feature pyramids의 각 level에 붙어있기 때문에 임의의 level에서 box encoding과 decoding이 가능하다. 추론시 FSAF 모듈은 예측을 병렬로 처리해서 anchor-based와 공동으로 작업할 수 있다. 모든 single object detector보다 성능이 우수하고 빠르다.

• 성능 : COCO 44.6% mAP(state-of-the-art)

Introduction

object detection에서 한 가지 어려운 문제는 스케일의 변화 다. 스케일의 변화에 대응하기 위해서 최첨단 detector는 feature pyramids 또는 multi-level feature tower를 구성한다. anchor box는 가능한 모든 box의 연속 공간을 미리 정의된 위치, 크기 및 종횡비를 가진 유한한 박스로 분리하기 위해 설계되었다. 그리고 instance box를 IOU overlap을 기반으로 anchor box와 매칭시킨다.

그러나 anchor-based에는 두가지 약점이 있다.

• 1 직접 선택(heuristic)
• 2 IOU overlap 기반으로 가장 가까운 anchor를 일치시킨다.

예를 들어, 크기가 50x50 pixel인 자동차 instance와 크기가 60x60 pixel인 자동차 instance는 두 개의 서로 다른 level에 할당 될 수 있는 반면, 또 다른 40x40 pixel 자동차 instance는 동일한 level에 할당 될 수 있다.

FSAF 모듈은 이러한 한계를 동시에 해결한다.

FSAF의 목표는 각 instance가 네트워크를 최적화하기 위해 최상위 수준의 feature를 자유롭게 선택할 수 있도록 하는 것이므로 모듈에서 feature 선택을 제한할 anchor box가 없어야 한다는 것 이다.

• anchor-based와 독립적으로 feature pyramid level 마다 구축된다.

• anchor-based와 유사하게 classification / regression subnet 으로 구성된다.

• 학습시, instance box를 detection하는 방법을 학습

• 추론시, FSAF 모듈은 anchor-based와 독립적으로 또는 공동으로 실행될 수 있다.

Related Work

Name	Content
SSD	multi scale feature map
FPN,DSSD	semantic feature maps으로 low-level 기능 향상
RetinaNet	focal loss로 class 불균형 해결
DetNet	high-level pyramid 에서 높은 공간 해상도를 유지하기 위해 backbone network 설계
Zhuetal	작은 object를 위한 anchor design을 향상
He et al	bounding box를 localization 향상을 위한 Gussian distribution로 모델링
DenseBox	먼저 경계 상자를 직접 예측
UnitBox	bounding box offset을 위한 IOU loss 제안
CornerNet	bounding box를 한쌍의 모서리로 감지하여 최상의 single detector를 제안
SFace	anchor-based, anchor-free 통합

FSAF Module

• 1 네트워크에서 anchor-free branch를 만드는 방법.

• 2 anchor-free에 대한 supervision signal를 생성하는 방법

• 3 각각의 instance에 대한 feature level을 동적으로 선택하는 방법

• 4 anchor-free , anchor-based를 동시에 훈련하고 추론하는 방법

Network Architecture

• Backbone : RetinaNet
• pyramid : P3 ~ P7
• l : pyramid level
• $P^l$ : pyramid,입력 이미지에 $1/2^l$ 해상도
  • classification subnet(class probability)
  • regression subnet(box offset)
• A : anchor
• K : object class
• pyramid level 당 2개의 convolution layer만을 추가한다.
  • classification : 3x3 conv, sigmoid
  • regression : 3x3 conv, relu

Ground-truth and Loss

object instance가 주어지면

• k : class
• b : bounding box 좌표(x,y,w,h)

를 알수 있다. 그리고 훈련 중에 instance를 임의의 $P^l$(feature level)에 할당 할 수있다.

$b_p^l=[x_p^l,y_p^l,w_p^l,h_p^l]$ : 논문에서 직접 projected box 이라고 정의 하였고 feature pyramid $P^l$에 대한 b의 projection

즉, $b_p^l=b/2^l$ (예측할 bounding box, feature pyramid에 투영된 bounding box)

$b_e^l=[x_e^l,y_e^l,w_e^l,h_e^l]$ : effective box

$b_i^l=[x_i^l,y_i^l,w_i^l,h_i^l]$ : ignoreing box

${ϵ}_i$,${ϵ}_e$ : 일정한 scale factor(각각 0.5 , 0.2)

$$x_e^l=x_p^l,y_e^l=y_p^l,w_e^l={ϵ}_e{w}_p^l,h_e^l={ϵ}_e{h}_p^l{x}_i^l=x_p^l,y_i^l=y_p^l{w}_i^l={ϵ}_i{w}_p^l,h_i^l={ϵ}_i{h}_p^l$$

Classification Output

• 먼저, effective box 영역은 위에 그림처럼 흰색 상자로 표현된 영역이다. instance의 존재를 나타낸다.

$$b_e^l$$

• 두번째, effective box를 제외한 ignoring box는 회색 영역으로 표현된 ignoring region이다. 역전파를 시키지 않는다.

$$b_i^l-b_e^l$$

• 세번째, 인접한 feature level($b_{i-1}^l,b_{e+1}^l$)의 ignoring box도 존재하는 경우 무시한다.

• 두개의 instance box가 겹치면 더 작은 instance box의 우선순위가 높다. 그리고 나머지 검은색 영역은 object가 없다는 것을 나타낸다.

• Focal loss는 $\alpha =0.25,\gamma =2.0$ 모든 ignoreing 영역이 아닌 모든 영역의 Focal loss 합

Box Regression Output

$b_e^l$ 내부의 각 픽셀 위치 $(i,j)$에 대해서 $b_p^l$(projected box) 를 4차원 벡터

$$d_{i,j}^l=[d_{t_{i,j}}^l,d_{l_{i,j}}^l,d_{b_{i,j}}^l,d_{r_{i,j}}^l]$$

로 표현한다. 각각 현재 픽셀 위치 $(i,j)$ 와 $b_p^l$ 의 상하 좌우 경계 사이의 거리 이다. 그리고 각각의 맵이 1차원에 대응하여 $d_{i,j}^l/S$로 설정 된다. $S$는 정규화 상수고 0.4로 선택한다.

이미지에 대한 anchor-free의 총 regression loss는 모든 effective box영역에 대한 IOU loss의 평균이다.

추론하는 동안 예측 된 상자를 decoding 하는 것이 간단하다. 각 픽셀의 위치 ($i,j$)에서 예측된 offset을 아래라고 가정하에

$$[{\hat{o}}_{t_{i,j}}^l,{\hat{o}}_{l_{i,j}}^l,{\hat{o}}_{b_{i,j}}^l,{\hat{o}}_{r_{i,j}}^l]$$

예측된 거리

$$[S_{(}{\hat{o}}_{t_{i,j}}^l),S_{(}{\hat{o}}_{l_{i,j}}^l),S_{(}{\hat{o}}_{b_{i,j}}^l),S_{(}{\hat{o}}_{r_{i,j}}^l)]$$

왼쪽 상단과 오른쪽 상단

$(i-S_{(}{\hat{o}}_{t_{i,j}}^l),j-S_{(}{\hat{o}}_{l_{i,j}}^l))$ 과 $(i+S_{(}{\hat{o}}_{b_{i,j}}^l),j+S_{(}{\hat{o}}_{r_{i,j}}^l))$

• 이미지 평면에서 최종 box를 얻기 위해 projected box를 $2^l$ 더 확장한다. box에 대한 confidence score와 class는 classification out의 위치 $(i,j)$ 에서 K-dimension vector의 최대 점수와 대응하는 class에 의해 결정 될 수 있다.

Online Feature Selection

anchor-free branch의 설계를 통해서 임의의 pyramid level $P^l$의 feature를 사용해서 각 instance를 학습 할 수 있다. instance box 대신 instance content를 기반으로 최적의 $P^l$을 선택한다.

instance I가 주어지면

$$L_{FL}^I,L_{IOU}^I$$

로 classification loss와 regression loss를 정의한다.

$$L_{FL}^I=\frac{1}{N(b_e^l)}\sum _{i,j\in b_e^l}FL(l,i,j)$$ $$L_{IOU}^I=\frac{1}{N(b_e^l)}\sum _{i,j\in b_e^l}IOU(l,i,j)$$

$(b_e^l)$는 $b_e^l$영역 내부의 픽셀수이고 $FL(l,i,j),IOU(l,i,j)$는 $P^l$의 $(i,j)$위치에서의 loss다.

• 1 먼저 instance는 모든 level의 feature pyramid를 통해 전달된다.
• 2 $L_{FL}^I(l),L_{IOU}^I(l)$는 방정식을 사용하여 모든 anchor-free branch를 계산한다.
• 3 최종적으로 loss의 최소 합계를 산출하는 최적의 pyramid level $P_{l^{\ast }}$가 instance를 학습하기 위해 선택이 된다.

$$l^{\ast }=argmin{L}_{FL}^l(l)+L_{IOU}^l(l)$$

Joint Inference and Training

• RetinaNet에 연결하면 FSAF모듈과 anchor-based branch가 함께 동작한다. anchor-based branch는 원본과 동일하게 동작하고 모든 하이퍼 파라미터는 학습과 추론에서 변경되지 않는다.

• anchor-free branch의 경우 confidence score를 0.05로 임계값을 정한 후 각 피라미드 level에서 최대 1k 최고 점수 위치의 box 예측만 decoding 한다.

• 모든 level의 최상위 box 예측은 anchor-based branch의 box 예측과 합쳐지고 threshold가 0.5인 nms를 통해 최종 detection이 이루어진다.

Initialization

• backbone은 ImageNet 1k로 pre-training

• FSAF 모듈의 classification layer의 경우
  • bias : $-log((1-\pi )/\pi )$
  • weight : Gaussian weight ($\sigma =0.01$)

• 학습시 모든 픽셀 위치에서 약 $\pi$ 의 objectness score를 출력하도록 정한다.($\pi =0.01$)

• 모든 경험으로 부터 box regression layer는 bias b(b = 0.1), Gaussian weight ($\sigma =0.01$)로 초기화 된다.

Optimization

$$L=L_{ab}+\lambda (L_{cls}^{af}+L_{reg}^{af})$$

• $L_{ab}$ : original anchor-based RetinaNet 의 total loss

• $\lambda$ : anchor-free 의 weight를 제어($\lambda =0.5$)

• SGD : 90K,lr=0.01 -> 60K,lr=0.001 -> 80K,lr=0.0001
• augmentation : Horizontal Flip
• weight decay : 0.0001
• momentum : 0.9

Experiments

• dataset : COCO
• All :85K(train : 35K, val : 40K, minival : 5K)

Benchmark

Conclusions

anchor-based의 한계를 극복하기 위해 FSAF 모듈을 제안하였고 작은것을 추론하는 것을 크게 개선하고 최신 detector보다 성능이 뛰어나다.