Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes
Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes
ICCV 2023 , 2024-04-05 기준 4회 인용
Task
- Object Detection
Contributions
- 정확하지 않은 bounding boxes 를 학습하는 방법을 제안
- 기존의 MIL 연구들은 spatial information 을 고려하지 않는다
- Spatial Self-Distillation based Object Detector (SSD-Det) 를 제안
- Spatial Position Self-Distillation (SPSD)
- Spatial Identity Self-Distillation (SISD)
Motivation
Box annotation 이 잘못되어 있는 경우가 빈번하다
기존의 MIL 방법으로 할 경우 3가지 문제가 존재한다
Object Drift - 실제 bounding box와 일치하지 않음
Group Prediction - 여러 object 가 합쳐지는 경우
Part Domination - Object 의 Local part 만 보는 경우
Proposed Method
Basic Box Refiner
Neighborhood sampler 를 통해서 inaccurate box annotation 으로 부터 bag of proposals 를 생성
생성된 objects 에 대한 RoI Align 을 하고 classification score 와 instance score를 연산
두 score 를 곱한 것을 최종 score 로 사용
모든 proposals 에 대한 합을 prediction 으로 두고 one-hot category label 과 loss 연산
→ Stage I
Stage I 의 Refined box 를 Input 으로 넣어서 Stage II 처리
Stage I 과 달라진 점은 FL Loss를 사용하기 위해서 classification 부분은 sigmoid 사용
Negative class loss 연산
Neighborhood sampler
hyper-parameter 에 따라 조절되는 것이 많다
Spatial Position Self-Distillation (SPSD)
SPSD 를 통해서 Bags 를 만든다
우선 Neighborhood sampler 로 Bags 를 만들고,
이를 GT 로 두고 regressor 를 학습하고 여기로부터 나오는 box를 활용
Spatial Identity Self-Distillation (SISD)
IoU를 예측해서 selection 하는 데 사용
stage I 에서 refined 된 box를 merge 한 Box 에 대한 IoU 를 GT 로 두고 학습
Experimental Results
제안하는 방법을 적용시켜 nosiy level 데이터를 학습했을 경우 성능이 좋다
다른 Detector 에 적용했을 때도 성능이 좋다