Paper Review. Dynamic Anchor Learning for Arbitrary-Oriented Object Detection@AAAI' 2021

• Paper link

Abstract

• 기존 모델들은 IoU를 적용하여 positive 와 negative 앵커를 샘플링을 함

• Positive 앵커는 항상 정확한 탐지를 보장할 수 없지만, 일부 negative 앵커는 정확한 위치를 파악할 수 있음

• 이는 IoU를 통한 앵커의 품질 평가가 적절하지 않음을 나타내며, 이로 인해 classification confidence와 localization accuracy 사이에 불일치가 발생함

• 이 논문에서는 새롭게 정의된 matching degree를 활용하여 앵커의 localization의 가능성을 종합적으로 평가하는 dynamic anchor learning(DAL) 방법을 제안함

Introduction

• 이러한 문제를 해결하기 위해 DAL(Dynamic Anchor Learning) 방법을 제안함
  1. 앵커의 localization 가능성을 평가하기 위해 간단하면서도 효과적인 MD(Matching Degree)를 설계
  2. Sample selection을 학습하기 위해 matching degree를 사용하여 false-positive 샘플을 제거하고 잠재적인 고품질 후보를 동적으로 선택함
  3. matching-sensitive loss function을 통해 classification과 regression간의 불일치를 완화함

Proposed Method

Dynamic Anchor Selection

Matching-Sensitive Loss

Experiments

• Dataset
  • Aerial datasets
    • HRSC2016
    • DOTA
    • UCAS-AOD
  • Scene text datasets
    • ICDAR 2015

Conclusions & Reviews

• 고성능의 회전된 객체 탐지를 위해 Dynamic anchor learning 방법을 제안함.

• Classification confidence와 localization accuracy 사이의 불일치를 어느정도 해결함 (양의 상관관계)

• 여러 개의 앵커를 만드는 것이 중요한 것이 아니라 positive, negative 앵커를 어떻게 구분(평가)하느냐가 중요함

Reference