[CV] RetinaNet

[출처]: Focal Loss for Dense Object Detection

retinanet.pdf

1.24MB

---

RetinaNet 요약

저자: Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollar
소속: Facebook AI Research (FAIR)

초록

이 논문은 COCO 벤치마크에서 최첨단 정확도를 달성하는 1단계 객체 탐지기인 RetinaNet을 소개합니다. 주요 혁신은 Focal Loss로, 이는 훈련 중에 발생하는 극단적인 전경-배경 클래스 불균형 문제를 해결하기 위해 설계되었습니다.

소개

현재 최첨단 객체 탐지기는 2단계 접근 방식(예: R-CNN)에 의존합니다. 1단계 탐지기는 더 빠르고 단순하지만 정확도에서 뒤처져 왔습니다. 이 논문은 클래스 불균형을 주요 문제로 식별하고 이를 해결하기 위해 Focal Loss를 제안하여 밀집 객체 탐지기의 훈련을 개선합니다.

주요 기여

1. Focal Loss: 잘 분류된 예제에 할당된 손실을 줄여 잘못 분류된 어려운 예제에 더 집중하도록 표준 교차 엔트로피 손실을 재구성하는 새로운 손실 함수입니다. 이는 교차 엔트로피 손실에 ((1 - p_t)^\gamma) 요소를 추가하여 달성됩니다.
2. RetinaNet 아키텍처: ResNet 백본과 Feature Pyramid Networks (FPN)를 기반으로 한 단순한 1단계 탐지기입니다. 분류 서브넷과 박스 회귀 서브넷을 사용합니다.

Focal Loss

Focal Loss는 쉬운 예제의 손실 기여를 줄여 어려운 예제에 집중할 수 있도록 합니다. 이는 다음과 같이 정의됩니다:
[ FL(p_t) = -\alpha_t(1 - p_t)^\gamma \log(p_t) ]
여기서 (\gamma)는 집중 매개변수이고, (\alpha_t)는 양수/음수 예제의 중요도를 균형 있게 합니다.

실험

COCO 데이터셋에서의 실험은 Focal Loss로 훈련된 RetinaNet이 기존의 1단계 및 2단계 탐지기보다 우수한 성능을 보임을 입증합니다. 논문은 Focal Loss의 영향을 상세히 분석하여 AP(Average Precision) 점수에서의 유의미한 향상을 보여줍니다.

결과

RetinaNet은 모든 이전 최첨단 탐지기, 즉 1단계 및 2단계 방법보다 높은 정확도를 달성합니다. 특히 속도-정확도 절충 면에서 매우 뛰어나며, 모든 기존 탐지기 위에 상위 경계를 형성합니다.

결론

논문은 제안된 Focal Loss가 1단계 탐지기의 훈련에 매우 효과적이며, 이를 통해 RetinaNet이 객체 탐지 성능의 새로운 기준을 세웠다고 결론짓습니다.

코드 이용 가능성

RetinaNet의 코드는 Detectron GitHub에서 이용할 수 있습니다.

이 요약은 RetinaNet 논문의 주요 포인트와 기여를 강조하며, Focal Loss의 도입과 1단계 객체 탐지기 성능에 미치는 영향을 다룹니다.

---

Summary of RetinaNet

Authors: Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollar
Affiliation: Facebook AI Research (FAIR)

Abstract

The paper introduces RetinaNet, a one-stage object detector that achieves state-of-the-art accuracy on the COCO benchmark. The key innovation is the Focal Loss, designed to address the extreme foreground-background class imbalance encountered during training.

Introduction

Current state-of-the-art object detectors rely on a two-stage approach (e.g., R-CNN). One-stage detectors, though faster and simpler, have lagged in accuracy. The paper identifies class imbalance as the primary issue and proposes Focal Loss to tackle it, improving the training of dense object detectors.

Key Contributions

1. Focal Loss: A novel loss function that reshapes the standard cross entropy loss to focus more on hard, misclassified examples by down-weighting the loss assigned to well-classified examples. This is achieved by adding a factor ((1 - p_t)^\gamma) to the cross entropy loss.
2. RetinaNet Architecture: A simple, one-stage detector built on a ResNet backbone with Feature Pyramid Networks (FPN). It uses a classification subnet and a box regression subnet.

Focal Loss

The Focal Loss addresses class imbalance by reducing the loss contribution from easy examples, thus focusing on hard examples. It is defined as:
[ FL(p_t) = -\alpha_t(1 - p_t)^\gamma \log(p_t) ]
where (\gamma) is the focusing parameter, and (\alpha_t) balances the importance of positive/negative examples.

Experiments

Experiments on the COCO dataset demonstrate that RetinaNet, trained with Focal Loss, outperforms existing one-stage and two-stage detectors. The paper provides a detailed analysis of the Focal Loss's impact, showing significant improvements in AP (Average Precision) scores.

Results

RetinaNet achieves higher accuracy than all previous state-of-the-art detectors, including both one-stage and two-stage methods. It performs particularly well in terms of the speed-accuracy trade-off, forming an upper envelope over all existing detectors.

Conclusion

The paper concludes that the proposed Focal Loss is effective in training one-stage detectors to achieve state-of-the-art accuracy. RetinaNet, enabled by Focal Loss, sets new benchmarks in object detection performance.

Code Availability

The code for RetinaNet is made available at: Detectron GitHub.

This summary covers the main points and contributions of the RetinaNet paper, highlighting the introduction of the Focal Loss and its impact on the performance of one-stage object detectors.

---