객체 탐지에서의 효율적인 예측 박스 회귀 학습을 위한 둘레 기반 IoU 손실함수 (A Perimeter-Based IoU Loss for Efficient Bounding Box Regression in Object Detection)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 48권 / 8호 / 913 ~ 919페이지
· 저자명 : 김현준, 최동완

초록

일반적으로 객체 탐지를 위한 신경망을 학습시키기 위해서는 클래스 분류와 예측 박스의 회귀 손실 함수를 결합 학습한다. 하지만 기존 회귀 손실 함수는 예측 바운딩 박스와 타깃 박스의 겹침을 측정하는 데 쓰이는 IoU와의 상관관계가 크지 않아 객체 탐지에 그대로 사용하기에는 한계가 있다. 이에 회귀의 최적화를 돕기 위한 페널티 항(penalty term)을 회귀 손실 함수인 IoU Loss에 추가하는 연구가 진행되었다. 하지만 해당 페널티 항으로는 박스들이 하나의 박스가 다른 박스를 포함하거나 중간 점이 겹치면 값이 0이 되는 경우가 있어서 IoU가 최적화되는 데 한계가 있다. 이를 보완하기 위해 본 논문에서는 예측 박스와 타깃 박스를 감싸는 영역과 타깃 박스와 예측 박스 각각의 둘레 차이를 이용한 새로운 회귀 손실 함수, Perimeter IoU Loss를 제안한다. 제안한 방법을 적용한 결과 여러 객체 탐지 모델을 이용한 실험과 모의실험을 통하여 Perimeter IoU Loss가 다른 회귀 손실 함수보다 더 높은 정확도를 보임을 확인하였다.

영어초록

In object detection, neural networks are generally trained by minimizing two types of losses simultaneously, namely classification loss and regression loss for bounding boxes. However, the regression loss often fails to achieve its ultimate goal, that is, it often obtains a predicted bounding box that maximally intersects with its target box. This is due to the fact that the regression loss is not highly correlated with the IoU, which actually measures how much the bounding box and its target box overlap with each other. Although several penalty terms have been invented and added to the IoU loss in order to address the problem of regression losses, they still show some inefficiency particularly when penalty terms become zero by enclosing another box or overlapping with the center point before the bounding box and its target box are perfectly the same. In this paper, we propose a perimeter based IoU (PIoU) loss exploiting the perimeter differences of the minimum bounding rectangle of both a predicted box and its target box from those of two boxes themselves. In our experiments using the state-of-the-art object detection models (e.g., YOLO v3, SSD, and FCOS), we show that our PIoU loss consistently achieves better accuracy than all the other existing IoU losses.

참고자료

· 없음