Hausdorff Distance Matching with Adaptive Query Denoising for Rotated Detection Transformer

Resumen Técnico: Emparejamiento con Distancia de Hausdorff y Deseo de Consultas Adaptativo para el Transformer de Detección Rotada

Enunciado del Problema
Aunque los Detectores Transformers (DETR) han establecido nuevos estándares en la detección de objetos horizontales, su aplicación a la detección de objetos rotados (utilizando cajas delimitadoras orientadas) ha quedado rezagada frente a detectores orientados especializados. Los autores identifican dos cuellos de botella principales que obstaculizan el rendimiento de los modelos DETR rotados:

1. El problema "cuadrado" en el emparejamiento bipartito: El emparejamiento bipartito estándar en DETR depende de la distancia L1 para los costos de localización. En la detección rotada, esta métrica provoca discontinuidades en los límites y problemas "cuadrados", donde el modelo asigna verdades terrenales a predicciones que comparten el mismo ángulo pero están espacialmente distantes o tienen una baja Intersección sobre Unión (IoU). Esto conduce a predicciones duplicadas y de baja confianza, violando el principio fundamental de DETR de emparejamiento uno a uno.
2. Limitaciones del Deseo de Consultas Estático: Los métodos existentes de deseo de consultas (por ejemplo, en DINO) introducen ruido en las verdades terrenales para acelerar el entrenamiento temprano. Sin embargo, a medida que el modelo mejora, sus predicciones pueden volverse más precisas que las verdades terrenales ruidosas. El deseo estático obliga al modelo a continuar aprendiendo de estos objetivos inferiores y ruidosos, lo que perjudica el rendimiento en las etapas posteriores del entrenamiento.

Metodología
Los autores proponen RHINO (Transformer de detección rotada con emparejamiento por distancia de Hausdorff), una línea base basada en DINO mejorada con dos componentes novedosos:

1. Distancia de Hausdorff para el Emparejamiento Bipartito:
   Para resolver el problema "cuadrado", los autores reemplazan el costo de distancia L1 estándar con la distancia de Hausdorff.

   • Mecanismo: La distancia de Hausdorff calcula la distancia máxima entre los conjuntos de puntos que definen dos cajas delimitadoras (utilizando específicamente puntos de esquina o puntos medios de los bordes).
   • Efecto: A diferencia de L1, que sobre-enfatiza las diferencias de ángulo incluso después de la normalización, la distancia de Hausdorff tiene en cuenta la alineación de los ejes y la superposición espacial de las cajas. Esto asegura que las verdades terrenales se emparejen con predicciones de mayor consistencia geométrica, eliminando eficazmente las predicciones duplicadas de baja confianza.
   • Implementación: El modelo extiende la representación estándar de caja de 4D a coordenadas de 5D $[x, y, w, h, \theta]$, mapeando el ángulo $\theta$ de $[0, 180^\circ]$ a $[0, 1]$ para integrarse perfectamente con componentes existentes de DETR como el refinamiento iterativo y la atención deformable.

2. Deseo de Consultas Adaptativo:
   Para abordar el problema de aprender de objetivos ruidosos en etapas posteriores del entrenamiento, los autores introducen un mecanismo de filtrado adaptativo.

   • Mecanismo: En lugar de usar ciegamente todas las consultas positivas ruidosas para la supervisión, el método emplea un emparejamiento bipartito entre el conjunto de consultas ruidosas refinadas y las predicciones actuales del modelo.
   • Filtrado: Solo se retienen para la pérdida de deseo las consultas ruidosas que se emparejan con éxito con su verdad terrenal fuente original (es decir, aquellas que el modelo aún no ha "superado" o que siguen siendo la mejor coincidencia). Las consultas que ya no son la coincidencia óptima se filtran o se tratan como fondo.
   • Variante Mejorada: Se propone una "Deseo de Consultas Adaptativo Mejorado" (AQD*), que retiene una pérdida de regresión para las consultas filtradas para guiar aún más el refinamiento de la localización, incluso si no se seleccionan para el objetivo principal de clasificación.

Contribuciones Clave

1. Línea Base Robusta: Los autores diseñan una línea base DETR simple y robusta para la detección rotada que integra mejoras de última generación (refinamiento iterativo, cajas ancla dinámicas, deseo de contraste) sin requerir módulos complejos diseñados a mano ni funciones de pérdida especializadas más allá de las modificaciones propuestas.
2. Costo de Distancia de Hausdorff: La introducción de la distancia de Hausdorff como costo de emparejamiento mitiga con éxito el problema "cuadrado" y las predicciones duplicadas, lo que conduce a un entrenamiento más estable y un mayor rendimiento.
3. Deseo de Consultas Adaptativo: La propuesta de una estrategia de filtrado dinámico que elimina selectivamente las consultas ruidosas perjudiciales a medida que mejora la precisión del modelo, evitando que el modelo regrese a objetivos ruidosos en las fases posteriores del entrenamiento.

Resultados Experimentales
El modelo se evaluó en cuatro conjuntos de datos estándar de detección de objetos rotados: DOTA-v1.0, DOTA-v1.5, DOTA-v2.0 y DIOR-R, bajo configuraciones de entrenamiento y prueba de escala única.

• Mejoras de Rendimiento: En comparación con modelos que utilizan un backbone ResNet-50, RHINO logró mejoras significativas:
  • DOTA-v2.0: +4.18 AP50.
  • DOTA-v1.5: +4.59 AP50.
  • DIOR-R: +4.99 AP50.
• Estado del Arte: RHINO estableció nuevos estándares en todos los conjuntos de datos probados. Por ejemplo, en DOTA-v1.0, RHINO con un backbone Swin-Tiny logró 79.42 AP50, superando a detectores anteriores basados en DETR y basados en convolución.
• Métricas de Alta Precisión: El modelo también demostró un rendimiento superior en AP75 (una métrica más estricta para la precisión de orientación), lo que indica que la distancia de Hausdorff mejora eficazmente la precisión angular.
• Estudios de Ablación: Los experimentos confirmaron que reemplazar L1 con la distancia de Hausdorff reduce las predicciones duplicadas, y que el deseo adaptativo supera al deseo estático con niveles de ruido fijos.

Significado
El artículo afirma que RHINO demuestra que los detectores basados en consultas pueden igualar o superar el rendimiento de detectores de objetos orientados especializados sin depender de cambios arquitectónicos complejos y específicos del dominio. Al abordar las incompatibilidades fundamentales en el emparejamiento bipartito y las limitaciones del deseo estático en el contexto de objetos rotados, el estudio proporciona una línea base sólida basada en DINO para futuras investigaciones en la detección de objetos orientados. El trabajo subraya el potencial de adaptar arquitecturas DETR de propósito general a la detección rotada mediante una selección cuidadosa de métricas y estrategias de entrenamiento adaptativas.