Hausdorff Distance Matching with Adaptive Query Denoising for Rotated Detection Transformer

Resumo Técnico: Correspondência de Distância de Hausdorff com Desejo Adaptativo de Consultas para Rotated Detection Transformer

Declaração do Problema
Embora os Detection Transformers (DETR) tenham estabelecido novos benchmarks na detecção de objetos horizontais, sua aplicação à detecção de objetos rotacionados (usando caixas delimitadoras orientadas) ficou atrás dos detectores orientados especializados. Os autores identificam dois gargalos primários que impedem o desempenho dos modelos DETR rotacionados:

1. O Problema "Quadrado-like" na Correspondência Bipartida: A correspondência bipartida padrão no DETR depende da distância L1 para custos de localização. Na detecção rotacionada, essa métrica causa descontinuidade de limites e problemas "quadrado-like", onde o modelo atribui verdadeiras-terras a previsões que compartilham o mesmo ângulo, mas estão espacialmente distantes ou têm baixa Interseção sobre União (IoU). Isso leva a previsões duplicadas de baixa confiança, violando o princípio central do DETR de correspondência um-para-um.
2. Limitações do Desejo Estático de Consultas: Métodos existentes de desejo de consultas (por exemplo, em DINO) introduzem ruído às verdadeiras-terras para acelerar o treinamento inicial. No entanto, à medida que o modelo melhora, suas previsões podem se tornar mais precisas do que as verdadeiras-terras com ruído. O desejo estático força o modelo a continuar aprendendo desses alvos inferiores e ruidosos, o que impede o desempenho nas etapas posteriores do treinamento.

Metodologia
Os autores propõem RHINO (Rotated detection transformer with Hausdorff distance matching), uma linha de base baseada em DINO aprimorada com dois componentes inovadores:

1. Distância de Hausdorff para Correspondência Bipartida:
   Para resolver o problema "quadrado-like", os autores substituem o custo padrão de distância L1 pela distância de Hausdorff.

   • Mecanismo: A distância de Hausdorff calcula a distância máxima entre os conjuntos de pontos que definem duas caixas delimitadoras (especificamente usando pontos de canto ou pontos médios de aresta).
   • Efeito: Diferentemente da L1, que enfatiza excessivamente as diferenças de ângulo mesmo após a normalização, a distância de Hausdorff leva em conta o alinhamento dos eixos e a sobreposição espacial das caixas. Isso garante que as verdadeiras-terras sejam correspondidas a previsões com maior consistência geométrica, eliminando efetivamente previsões duplicadas de baixa confiança.
   • Implementação: O modelo estende a representação padrão de caixa 4D para coordenadas 5D $[x, y, w, h, \theta]$, mapeando o ângulo $\theta$ de $[0, 180^\circ]$ para $[0, 1]$ para integrar-se perfeitamente aos componentes existentes do DETR, como refinamento iterativo e atenção deformável.

2. Desejo Adaptativo de Consultas:
   Para abordar a questão de aprender com alvos ruidosos nas etapas posteriores do treinamento, os autores introduzem um mecanismo de filtragem adaptativa.

   • Mecanismo: Em vez de usar cegamente todas as consultas positivas com ruído para supervisão, o método emprega correspondência bipartida entre o conjunto de consultas com ruído refinadas e as previsões atuais do modelo.
   • Filtragem: Apenas consultas com ruído que são correspondidas com sucesso à sua verdadeira-terra original (ou seja, aquelas que o modelo ainda não "superou" ou que permanecem como a melhor correspondência) são retidas para a perda de desejo. Consultas que não são mais a correspondência ótima são filtradas ou tratadas como fundo.
   • Variação Aprimorada: Uma "Desejo Adaptativo de Consultas Aprimorado" (AQD*) é proposta, que retém uma perda de regressão para consultas filtradas para guiar ainda mais o refinamento de localização, mesmo que não sejam selecionadas para o objetivo principal de classificação.

Contribuições Principais

1. Linha de Base Robusta: Os autores projetam uma linha de base DETR simples e robusta para detecção rotacionada que integra aprimoramentos de última geração (refinamento iterativo, caixas de âncora dinâmicas, desejo contrastivo) sem exigir módulos complexos e projetados manualmente ou funções de perda especializadas além das modificações propostas.
2. Custo de Distância de Hausdorff: A introdução da distância de Hausdorff como custo de correspondência mitiga com sucesso o problema "quadrado-like" e as previsões duplicadas, levando a um treinamento mais estável e maior desempenho.
3. Desejo Adaptativo de Consultas: A proposta de uma estratégia de filtragem dinâmica que elimina seletivamente consultas com ruído prejudiciais à medida que a precisão do modelo melhora, impedindo que o modelo regresse a alvos ruidosos nas fases posteriores do treinamento.

Resultados Experimentais
O modelo foi avaliado em quatro conjuntos de dados padrão de detecção de objetos rotacionados: DOTA-v1.0, DOTA-v1.5, DOTA-v2.0 e DIOR-R, sob configurações de treinamento e teste de escala única.

• Ganhos de Desempenho: Comparado a modelos que usam um backbone ResNet-50, o RHINO alcançou melhorias significativas:
  • DOTA-v2.0: +4.18 AP50.
  • DOTA-v1.5: +4.59 AP50.
  • DIOR-R: +4.99 AP50.
• Estado da Arte: O RHINO estabeleceu novos benchmarks em todos os conjuntos de dados testados. Por exemplo, no DOTA-v1.0, o RHINO com um backbone Swin-Tiny alcançou 79.42 AP50, superando detectores anteriores baseados em DETR e baseados em convolução.
• Métricas de Alta Precisão: O modelo também demonstrou desempenho superior em AP75 (uma métrica mais estrita para precisão de orientação), indicando que a distância de Hausdorff melhora efetivamente a precisão angular.
• Estudos de Ablação: Experimentos confirmaram que substituir a L1 pela distância de Hausdorff reduz previsões duplicadas, e o desejo adaptativo supera o desejo estático com níveis de ruído fixos.

Significado
O artigo afirma que o RHINO demonstra que detectores baseados em consultas podem igualar ou exceder o desempenho de detectores de objetos orientados especializados sem depender de mudanças arquitetônicas complexas e específicas de domínio. Ao abordar as incompatibilidades fundamentais na correspondência bipartida e as limitações do desejo estático no contexto de objetos rotacionados, o estudo fornece uma linha de base forte baseada em DINO para pesquisas futuras em detecção de objetos orientados. O trabalho destaca o potencial de adaptar arquiteturas DETR de propósito geral para detecção rotacionada através da seleção cuidadosa de métricas e estratégias de treinamento adaptativo.