No Free Lunch from Deep Learning이라는 말이 있을만큼 No Free Lunch라는 말은 유명한데...
이를 정면으로 반박하고 Free Lunch라고 표현한걸 봐서는 매우 자신이 있다는 말로 해석해서
이 논문을 첫번째 논문 review발표 논문으로 선택하였다
[사전조사 배경지식 정리]
1. 용어정리
DAOD: Domain Adaptation Object Detection
leverage: 영향, 활용
Cross Domain: 2개간의 Domain간의 연결 or 관련성, 결합 등을 의미
Domain Discrepancy: domain간의 distribution이 불일치하는 것, 이로인해 일반화가 쉽지 않음.
Domain Shift: Cross Domain에서 발생하는 문제점. Imbalance와 Consistency없는 Domain shift의 경우, Tgt이 적으면 DA가 어려움. 이를 해결하기 위해 여러가지 방법들을 다양한 level에서 활용. ex) img-level, instance-level, pixel-level, category-level, ...
Domain Invariance: Domain불변성을 결과적으로 학습하는것이 목표인 논문들이 많음.
Domain Alignment: 두 Domain에 대해 일치(정렬)시키는 것. 이때, 보통 두 Domain간의 feature distribution alignment를 통해 이루어진다.
Unsupervised Learning Object Detection: Label 혹은 Annotation이 없는 Target Domain문제에 대한 학습 Semi-supervised Learning Object Detection: Label을 teacher모델이 생성(이를 pseudo labeling이라 함), 이를 이용.
∙ Src, Tgt모두 없이도 DAOD를 가능하게하려고 여러방법들을 도입한 논문발표(이번 review논문)
∙ 또한, Data Augmentation방법들도 여럿 도입됨.
[2022]:
∙Domain Adversarial Training, Data Augmentation은 약간 국룰화?처럼 되는 뉘앙스
∙ pseudo label을 다루기 위해 여러 시도들 발생
Abstract
🧐 저자의 제안:
UnLabeled Src Data →Tgt에 최적화가 주목 이를 위해 저자는SFOD프레임워크를 제안
[SFOD] (Source Data-Free Domain Adaptive Object Detection): Src Data없이도 DA탐지를 가능하게 하며, 이는Noise있는 Label로 학습하는 것으로 모델링한다.
일반적으로 Src에서 pretrained모델을 활용, Tgt의 가짜라벨생성을 한다. 하지만 Tgt Domain라벨이 없으면, 이런 가짜라벨생성에 대한 평가가 어렵다. → SED(Self-Entropy Descent)라는 평가지표 도입! SED: 가짜라벨에 대해 적절한 신뢰임계값결정을 위해 도입한 metric
다만, 완전히 깨끗한 라벨을 얻는 것은 여전히 어려움을 겪고 있는데, 실험결과 생성된 노이즈가 있는 라벨에서 FN이 지배적임을 발견. 개선을 위해 FN mining이 도움이 되며, Mosaic와 같은 데이터 증강을 통해 FN시뮬레이션을 용이하게 한다.
🧐 개인 생각 정리:
핵심:
Src Domain에서 pretrained만 사용, supervision signal을 제공 → 즉, Tgt으로 pseudo labeling되어 noise가 발생할 수 밖에 없는 구조.
문제점 1: Src, Tgt에 대한 label이 모두 없기에 pseudo label에 대한 평가가 어려움 → SED라는 평가지표 도입❗️
문제점 2: 다만, clean label얻기는 어려움---noise에서 FN, FP가 지배적 →FN Mining, Data Augmentation(e.g. Mosaic)으로 이를 개선❗️
Introduction & Main contribution
제안된 SFOD pipeline, 주어지는 supervision신호는 Src Domain의 adapt를 위해 pre-trained model에만 제공됨.
Object Detection의 발전은 단지 수동라벨링된 Train data에 의존해서 향상되어 왔다. 이는 새로운 환경이나 Data 분포가 다른 경우(e.g. 물체외관, 배경타입, 날씨 등 다양한 요인) 일반화가 쉽지 않다는 한계점이 존재.
그렇다면, 어떻게 pre-trained model을 supervision 없이 label-rich Src Domain → unlabeled Tgt Domain...? 이 UDA를 위해 많은 방법들이 고안됨 ∙ Domain-invariant features를 alignment 하는 방식 ∙ Domain distribution 근접화 방식 ∙ 두 domain간 similarity를 측정해 pseudo labeling 하는 방식 이는 두 Domain이 관련되었지만 다름을 의미 → 따라서 두 Domain간 접근이 자유로울 필요성이 존재하지만 challegeable함.
이미 Classification에서는 Src-data free한 방식이 좋았으나 Detection에서는 여전히 시도되지 않았었음. 본 논문에서는 전술한 문제 해결을 위해SFOD(Source data-Free domain adaptive Object Detection)라는 간단하지만 효과적인 접근방법을 소개함.
Sol)적절한 신뢰도임계값으로 Bbox를 직접 P/N을 부분 filtering하는 것이다. 물론, Detection에서는 FP,FN같은 noisy labels는 무조건 존재하고, Tgt모델은 여전히 "집단지성의 원칙"을 따라 최적화 가능하다. ("집단지성의 원칙": 여러 모델이나 다수의 예측을 종합하거나, 다수의 샘플의 정보를 활용하여 모델을 최적화할 수 있다는 것을 의미)
하지만 supervision metric이 없어 적절한 신뢰도임계값 찾기란 어렵다. noisy label로 신뢰도임계값이 너무 높거나 낮을 수 있기때문에 적절한 신뢰도임계값 탐색이 필요하다.
∙SED :Search Confidence threshold
이를 위해 등장한 Self-Entropy Descent는 전술한 신뢰도임계값을 찾기위해 제안된다.
Self-Entropy
예측 불확실성은 Self-Entropy로 계산된다. 이 문장은 다음과 같이 해석될 수 있다: "자가 엔트로피가 낮을수록 더 예측이 확실하다." 신뢰도 임계값을 탐색함과 동시에, 생성된 가상 라벨을 사용해 pre-trained model을 fine-tuning하고 그 후 훈련 이후 데이터셋의 Self-Entropy를 평가한다.
"라벨이 더 지저분할수록 더욱 라벨을 맞추기가 어려워진다." (사실 당연한 소리다.) ∴ 신뢰도임계값↓→평균 Self-Entropy↓→ 첫 local-minimum에 도달 시, 이를 신뢰가능한 pseudo label생성을 위한 적절한 신뢰도임계값으로 선택.
이 솔루션의 타당성을 입증하기 위해 장난감 실험을 설계. 구체적으로, 생성된 pseudo label은 FP와 FN. 실험 분석을 통해 FN이 작고 가려진 객체와 같은 noisy label에서 주를 이루는 것을 발견.
∙FN Mining & Mosaic :FN의 영향 완화
또한 Mosaic(Bochkovskiy, Wang, and Liao 2020)와 같은 데이터 증강을 통해 거짓 음성을 시뮬레이션할 수 있도록 이 솔루션을 FN시뮬레이션으로 완화.
🧐 Main Contribution
i) Src data-free인 UDA-OD의 첫번째 시도. ii)Src data-free인 UDA를 noisy label학습을 통해 혁신적으로 모델링, 해결. iii) Src data사용을 안하고도 매우 좋은 성능, 다른 Src data based를 능가.
SED배경: 적절한 신뢰도임계값으로 Bbox를 직접 P/N을 부분 filtering해야하고, 이를 위해 신뢰도 임계값 평가를 위한 supervision metric이 필요. SED역할: 예측 불확실성을 Self-Entropy로 계산, 신뢰도임계값 탐색 및 생성된 가상 라벨을 사용해 pre-trained model을 fine-tuning하고 훈련 이후 데이터셋의 Self-Entropy를 평가
FN Mining배경: 생성된 pseudo label은 FP와 FN이 noisy label이 주를 이룸. FN Mining역할: Mosaic와 같은 데이터 증강으로 FN완화.
[요약]: Step 1. pseudo Label 생성 신뢰도가 높은 소수의 sample(= Tgt)으로는 좋은 성능을 달성할 수 없다. Sol)적절한 신뢰도임계값으로 Bbox를 직접 P/N을 부분 filtering하는 것
이를 위해 적절한 supervision metric이 필요 → SED: Self-Entropy Descent❗️ 이렇게 평가된 예측불확실성으로 신뢰도임계값 탐색→ pseudo label 생성에 도입.
Labeled Src Data로 Faster R-CNN을 pre-train시킨 이후 이를 Unlabeled Tgt Data에 fine-tuning시켜 pseudo label생성에 동시에 도입.
Step 2. 생성된 pseudo Label의 FN완화 생성된 pseudo label은 FP, FN등이 noisy label이 주를 이룬다. 이를 해결하기위해 FN Mining, Mosaic Augmentation을 이용.
noisy label학습을 위해 많은 방법들이 classification에서 이루어져 왔었다. ∙ 초기: instance-독립의 Noise model 사용: 각 클래스가 다른 클래스와 혼동되는 문제 발생 ∙ 최근: Label noise 예측에 초점
하지만 위 연구들의 noisy label 설정방식은 이상적: noisy label과 true label을 수동 설정.
추가적으로 noisy label학습을 위해 여러 방식들이 제시됨: object경계지정이 명확하지 않은경우, 문제해결이 불가능
Source free Domain Adaptive Object Detection
[UDA-OD가정] Src와 Tgt이 training과정에서 자유롭게 사용되어 Src-Tgt, 두 Domain간의 차이(discrepancy)를 최소화 하는것.
[Src data-free UDA의 목표] 신경망 최적화를 위해 Dt만 사용하는 것 이때, 유일한 supervision 신호는 Ds의data를 직접사용하는 대신, Ds에서 pre-trained model θs에서 제공된다.
∙ Pseudo Lables Optimization via SED
🤔 A toy example: How to evaluate the quality of pseudo labels?
Toy example이란? MNIST를 2개의 범주(positive, negative)로 구분; 이를 MNIST-2라 지칭함. 이를 기반으로 다양한 Dataset을 구축. ex) positive sample을 negative에 서로다른비율로 섞거나 negative sample을 positive에 서로다른비율로 섞어 이를 LeNet에 훈련. 즉, 혼합 비율 = 노이즈 정도.
훈련 후 전체 데이터셋의 예측 불확실성을 잡기 위해 'mean self-entropy'개념을 도입:
nc : class 수 pc(xti): class c의 예측확률
위 그림에서 보이듯, noise정도는 mean self-entropy와 양의 상관관계를 가짐은 자명하다.
∙ 위 그림) 더 noisy label → label 맞추기가 어려움 = mean self-entropy⇧ ∙이상적 상황) 가장 깨끗한 라벨 할당 → 가장 낮은 mean self-entropy
즉, 두 상황을 고려해보면? ❗️mean self-entropy가 감소→ local-minima에 도달 = reliable한 label할당.
🤔 SED: how to generate reliable pseudo labels in Object Detection
Detection에서 Negative samples는 진~~짜 많다.(진짜 강조 많이한 말.) 앞단의 설명처럼, training을 위해 P/N sample분리가 필요 → 이는 저점~고점까지 적절한 confidence threshold를 찾아야함을 의미.
[SED: Self Entropy Descent]
❗️mean self-entropy가 감소해 첫 local-minimum에 도달할 때, 훈련을 멈춘다. (→ 가장 낮은 entropy값=가장 깨끗한 = 신뢰할만한 라벨할당 가능.)
Dt 와 Ds에서 pre-train된 modelθs는 자유롭게 활용가능하므로 pseudo label y(xt)와 그에 해당하는 신뢰도 p(xt)는 아래와 같이 유도된다.
즉, pretrained model parameter와 confidence threshold를 기반으로 하는 Faster R-CNN을 이용해 input x에 대해 pseudo label y와 신뢰도값 p를 출력으로 함을 의미.
if p(x_t) > h:
box = y(x_t) # 일치하는 박스에 클래스라벨 max_score 할당
else:
box = background
📌 Loss function: pseudo label을 사용해 tgt data train
각각 region proposal loss, region classification loss, Bbox regression loss를 의미.
Region Proposal Bbox Regression: Src domain에서pretrained model training으로 예측된 Bbox를 ground_truth로 바로 사용가능. Detection오류는 Classification오류보다 훨씬 약하다 (Borji and Iranmanesh 2019).
이 Fine-Tuning작업 이후, pre-trained과 confidence threshold로생성된 pseudo label들은 update된 모델 θt를 사용해 Tgt Dataset의 평균 self-entropy, H(Dt)로 평가한다.
SED전략: 저점~고점까지 탐색, Self-Entropy가 첫 극솟값만나면 멈춤
∙ False Negative Simulation
적절한 confidence threshold값을 SED를 통해서 찾았지만, 여전히 문제점 존재: pseudo labels는 여전히 noisy Detection에서의 noisy label: FP, FN
여러 공개된 데이터셋에서 각 confidence구간에서 TP와 FP를 계산. 아래 그림처럼FP는 비교적 작은 비율만을 차지합니다.
놀랍게도, 저자가 신뢰 임계값을 거의 0에 가깝게 설정해도 반이상의 positive sample은 box하기를 어려워한다. 결과적으로 training 중 positive sample이 FN으로 작용하게 된다!
그렇기에 본 논문에서는 Label Denoising을 위한 FN mining에 초점을 맞춘다. 아래 시각화된 자료에서 알 수 있듯, 대부분의 FN은 작고 가려진 객체로 TN과 섞여서 positive로 다시 mining하기가 어렵다. → Domain discrepancy가 심화되는 이유.
Solution) TP를 이용한 FN Simulation: Data Augmentation detect된 positive를 어렵게 만듬 → detect하기 힘든 작고 가려지는 객체를 모방, 이를 simulate함. 추가적으로 FN의 악영향을 억제
이를 위해 저자는 Mosaic Augmentation(YOLOv4)을 FN Simulation에 선택. TP를 활용해 작거나 가려진 객체생성 시, TN에 영향을 주지 않기 때문.
CutMix(2019)를 개선한 방식, 4개의 train_img를 혼합, 일반상식내의 객체도 감지가능.
[Mosaic의 Main 2-step] Step 1: Random Scaling - Tgt Domain에서 detect된 단순객체를 사용→다양한 크기의 어려운 객체 모방
Step 2: Random Cutting - 일부 구조만 보이는 객체를 어느수준까지 모방가능
Mosaic data: {(x ̃, y ̃)}는 아래 식에 따라 Tgt domain data {(xA,yA),(xB,yB),(xC,yC),(xD,yD)}로 구성될 수 있다:
train_img: H×W. (u, v): 2차원 이동. {MA,MB,MC,MD} ∈ {0,1}s(W)×s(H): binary mask그룹 s(·)와 λ: Random Scaling & Cutting 인자.
일부 Mosaic img. 더 효과적인 거짓 음성 마이닝 또는 거짓 음성 시뮬레이션 방법이 더 많은 성능 향상을 가져올 수 있다고 저자는 생각.
FN Simulation이 SED와 함께 pseudo labeling생성을 위한 적절한 신뢰 임계값을 찾는과정을 위의 SFOD의 전체 파이프라인에서 볼 수 있다.
🧐 개인 생각 정리:
핵심: ∙ How to evaluate the quality of pseudo labels?
noisy label = label맞추기 어려움 = mean self-entropy⇧ → 깨끗한(= 신뢰할만한) 라벨을 얻으려면 entropy값이 낮아야함. → 즉, mean self entropy-noise degree그래프상에서 극솟값에 도달하면 라벨할당!
∙ How to generatethe quality of pseudo labels? training을 위해 P/N sample분리가 필요한데, 이를 위해 적절한 threshold값이 필요.
pretrained model parameter와 confidence threshold를 기반으로 하는 Faster R-CNN을 이용해 input x에 대해 pseudo label y와 신뢰도값 p를 출력으로 함을 의미.
if p(x_t) > h:
box = y(x_t) # 일치하는 박스에 클래스라벨 max_score 할당
else:
box = background
pre-trained과 confidence threshold로생성된 pseudo label들은 update된 모델θt를 사용해 Tgt Dataset의 평균 self-entropy,H(Dt)로 평가
∙ False Negatives Simulation 신뢰 임계값을 거의 0에 가깝게 설정해도 반이상의 positive sample은 box하기를 어려워한다. (작거나 가려지는 물체때문!) 결과적으로 training 중positive sample이 FN으로 작용하게 된다! → Label Denoising을 위한 FN mining에 초점
FN Mining은 FN Simulation으로 이루어지며, FN Simulation에 Mosaic방식을 선택 FN Simulation이 SED와 함께 pseudo labeling생성을 위한 적절한 신뢰 임계값을 찾는다.
요약: 아무래도 과정이 제법 복잡하여 한번 요약을 해야할 것 같았다.
1. 기존과 달리 Src data-free를 위해서는 Labeled Src Data로 Faster R-CNN을 pre-trained시킴.
2. Src의 data를 직접 사용하는 대신, Src로 pre-train된 model에서 유일한 supervision signal을 학습 시 제공 (for. 신경망 최적화를 위해 Tgt Domain만 사용.)
3. FN Simulation과 SED를 같이 사용해 pseudo labeling 생성을 위한 적절한 confidence threshold, h를 찾는다. (SED: training을 위해 P/N분리가 필요하고, 이를 위해서는 신뢰할만한 pseudo label이 생성되어야하고, 이를 위해 신뢰할만한confidence threshold가 필요 = 낮은 entropy, 따라서 mean self-entropy를 이용, 저점~고점을 탐색하다 Self-Entropy가 첫 극솟값을 만나면 멈춘다. 이 전략을 SED라 부른다. 즉, confidence threshold로 생성된 pseudo label들을 update된 pretrained모델로 Tgt Dataset의 mean self-entropy를 평가한다: hopt = argmin H(Dt)이다.)
(FN Simulation: SED로 찾은 pseudo label은 여전히 noisy(FP, FN)label인데, 특히나 positive가 작거나 가려지는 물체로 인해 FN으로 작용하는 현상이 발생하여 이를 방지하기 위함이다.)
4. h와 pre-trained model parameter를 이용해 Faster R-CNN은 아래 두 값을 출력한다. cf) pseudo label y(x)= foreground클래스확률의 argmax값 cf) confidence p(x)= classification분기에서의 softmax값
Experiments
∙ Experimental Setup
‣ Datasets
5개의 open dataset이 사용됨:
‣ Implementation Details
공정한 비교를 위해 [Xu 2020]과 동일한 실험적 setting. ☞ [img pixel]: train-test모두 600 pixel로 resize ☞[batch_size]: 1 ☞[Model]: - (pre-trained): VGG16 with ImageNet & Src. Domain data 여기서만 사용. - (backbone): Faster R-CNN - (Detector): SGD(lr=0.001)
∙ Comaparison Results
그림 7.mean self-entropy와 해당하는 AP, mAP의 곡선은 4가지 Adaptation task에서 confidence threshold에 따라 변하는데, SED를 통해 최적의 mAP값에 근접할 수 있다.
[그림 7]: 저자의 실험은 4가지 Adaptation task에 대해 진행된다. 위 그림은 다양한 confidence threshold값 하에 Detection precision과 mean self-entropy의 곡선을 보여준다.
Real World는 다양한 현상이 존재: 각도, 해상도, 품질 및 유형 등 → Domain Shift 유발가능; 본실험에서는 두 real dataset 간의 새로운 Detection task Adaptation을 고려. ∙ [Src Domain]: KITTI ∙ [Tgt Domain]: Cityscapes
[표 1]: 유일한 공통 객체: 자동차 카테고리, 이에 대한 AP를 비교진행. ∙only SED: labeled Tgt validation set에서 찾은 이상적인 confidence threshold값이 없음에도 AP가 매우 이상적인 값에 근접. 자동차 Detection Acc측면에서도 많은 기존방법보다 좋음. ∙SED+Mosaic: AP: 43.6% →44.6% (DA-Detection을 0.7%만큼 넘어섬) FN Simulation이 FN noise label에 의한 악영향 완화.
‣ Adaptation from Synthetic to Real Images
자율 주행을 위한 annotating train data부족으로 synthetic dataset을 사용. ∙[Src Domain]: Sim10k ∙[Tgt Domain]:Cityscapes
여기선 Sim10k와 Cityscapes 양쪽에서 유일한 객체 카테고리인 주석이 달린 자동차의 성능만을 평가.
[표 2]: DA-Faster, Noise Labeling, AT-Faster과 비교, SFOD방법이 우수, 기존을 능가. (다만, 저자방식은 기존의 Src based보다 어려운 도전이 될 것.)
특히 더 많은 Src Data가 필요하지 않은 경우, DA-Faste, SW-Faster, CR-DA-DET 같은 소수의 접근 방식만이 이 적응 작업에 도전한다는 점에서 더욱 어렵다.
Domain Gap이 넓음에도 도메인 갭의 이렇게 넓은 범위에도 불구하고, 그림 7(그래프 그림)에서 볼 수 있듯, SOTA들이 다양한 confidence threshold에서 개선되는데, 특히 SED 또는 SED+Mosaic을 사용할 때 CR-DA-DET의 26.9%에서 mAP를 27.6% 및 29.0%로 개선할 수 있다.
‣Adaptation from Normal to Foggy Weather
Real-World적용에서 Detector는 다양한 날씨조건에서 사용될 수 있지만, 일일히 날씨조건에 맞는 많은 양의 data를 수집하고 label로 지정하는 것은 매우 어려운 일이다. ∙[Src Domain]:Cityscapes ∙[Tgt Domain]:Foggy Cityscapes
[표 4]: SFOD와 다른 UDA-OD방법들(DA-Faster, SW-Faster, DA-Detection, CR-DA-DET, AT-Faster) 간의 비교 기준인(Src only) 22.3%의 mAP에 비해, label noise로 훈련된 SED+Mosaic는 pseudo label이더라도 33.5%로 향상될 수 있다.
더 나아가 DA-Detection과 같은 Defogging방법을 사용으로 Tgt Domain img품질개선 후, 여기서 SFOD성능열 연구했는데, 아래 표에서 볼 수 있듯, 안개 제거 후에 SFOD 약 3%정도 성능향상이 이뤄졌다.. 즉, 안개가 가짜 라벨의 라벨 노이즈를 악화시켜 감지 성능에 영향을 미침을 알 수 있다.
SFOD에서는 Src Domain의 pre-trained model로 얻은 Tgt Domain pseudo label로 training과정 중 noisy label로 인해 방해받을 수 있는데, 아래 그림을 보자.
SED를 직접 사용해 pseudo label 생성을 위한 confidence threshold를 찾거나 추가적으로 FN-Simulation에 결합 시, noisy label로 인한 악효과억제로 더 많은 객체탐지가 가능하다.
🧐 개인 생각 정리:
핵심: 5개의 Dataset이 활용됨: KITTI, Sim10k, Cityscapes, BDD100k, Foggy Cityscapes
[Src → Tgt] ① KITTI → Cityscapes : for 새로운 Domain ② Sim10k → Cityscapes: for train data부족상황 가정. ③ Cityscapes→ BDD10k: for data양의 차이(매우적음 to 매우많음) ④ Cityscapes→ FoggyCityscapes: for noisy Tgt Domain
Conclusion
UDA-OD를 위한 새로운 학습 패러다임인SFOD를 제안. 이는Src Data를 직접사용하는 대신, Src Domain에서사전훈련된 모델만을 활용, Supervision signal을 제공하는 것이 핵심이다.
이는 noise가 있는 Label로 학습하는 관점에서 해결가능하다 보는데, 많은 Src data기반방법을 넘기도 하지만 Noise Label(FP,FN)을 완전히 제거하는 것에 대해 Unsupervised 방식이 매우 어렵다는점을 인정해야한다.
[논문 정리]
Abstract:
핵심:
Src Domain에서 pretrained만 사용, supervision signal을 제공 → 즉, Tgt으로 pseudo labeling되어 noise가 발생할 수 밖에 없는 구조.
문제점 1: Src, Tgt에 대한 label이 모두 없기에 pseudo label에 대한 평가가 어려움 →SED라는 평가지표 도입❗️
문제점 2: 다만, clean label얻기는 어려움---noise에서 FN, FP가 지배적 →FN Mining, Data Augmentation(e.g. Mosaic)으로 이를 개선❗️
SED배경:적절한 신뢰도임계값으로 Bbox를 직접 P/N을 부분 filtering해야하고, 이를 위해 신뢰도 임계값 평가를 위한 supervision metric이 필요. SED역할:예측 불확실성을 Self-Entropy로 계산, 신뢰도임계값 탐색 및생성된 가상 라벨을 사용해 pre-trained model을 fine-tuning하고훈련 이후 데이터셋의 Self-Entropy를 평가
FN Mining배경:생성된 pseudo label은 FP와 FN이 noisy label이 주를 이룸. FN Mining역할:Mosaic와 같은 데이터 증강으로 FN완화.
[요약]: Step 1. pseudo Label 생성 신뢰도가 높은 소수의 sample(= Tgt)으로는 좋은 성능을 달성할 수 없다. Sol)적절한 신뢰도임계값으로 Bbox를 직접 P/N을 부분 filtering하는 것
이를 위해 적절한 supervision metric이 필요 →SED:Self-Entropy Descent❗️ 이렇게 평가된 예측불확실성으로 신뢰도임계값 탐색→ pseudo label 생성에 도입.
Labeled Src Data로 Faster R-CNN을 pre-train시킨 이후 이를 Unlabeled Tgt Data에 fine-tuning시켜 pseudo label생성에 동시에 도입.
Step 2.생성된pseudo Label의 FN완화 생성된 pseudo label은 FP, FN등이 noisy label이 주를 이룬다. 이를 해결하기위해 FN Mining, Mosaic Augmentation을 이용.
∙ How togeneratethe quality of pseudo labels? training을 위해 P/N sample분리가 필요한데, 이를 위해 적절한 threshold값이 필요.
pretrained model parameter와 confidence threshold를 기반으로 하는 Faster R-CNN을 이용해 input x에 대해 pseudo label y와 신뢰도값 p를 출력으로 함을 의미.
if p(x_t) > h:
box = y(x_t) # 일치하는 박스에 클래스라벨 max_score 할당
else:
box = background
pre-trained과 confidence threshold로생성된 pseudo label들은 update된 모델θt를 사용해 Tgt Dataset의 평균 self-entropy,H(Dt)로 평가
∙ False Negatives Simulation 신뢰 임계값을 거의 0에 가깝게 설정해도반이상의 positive sample은 box하기를 어려워한다. (작거나 가려지는 물체때문!) 결과적으로 training 중positive sample이 FN으로 작용하게 된다! → Label Denoising을 위한 FN mining에 초점
FN Mining은 FN Simulation으로 이루어지며, FN Simulation에 Mosaic방식을 선택 FN Simulation이 SED와 함께 pseudo labeling생성을 위한 적절한 신뢰 임계값을 찾는다.
요약:아무래도 과정이 제법 복잡하여 한번 요약을 해야할 것 같았다.
1.기존과 달리 Src data-free를 위해서는 Labeled Src Data로 Faster R-CNN을 pre-trained시킴.
2.Src의 data를 직접 사용하는 대신, Src로 pre-train된 model에서 유일한 supervision signal을 학습 시 제공 (for. 신경망 최적화를 위해 Tgt Domain만 사용.)
3.FN Simulation과 SED를 같이 사용해 pseudo labeling 생성을 위한 적절한 confidence threshold, h를 찾는다. (SED:training을 위해 P/N분리가 필요하고, 이를 위해서는 신뢰할만한 pseudo label이 생성되어야하고, 이를 위해 신뢰할만한confidence threshold가 필요 = 낮은 entropy, 따라서 mean self-entropy를 이용, 저점~고점을 탐색하다 Self-Entropy가 첫 극솟값을 만나면 멈춘다. 이 전략을 SED라 부른다. 즉, confidence threshold로 생성된 pseudo label들을 update된 pretrained모델로 Tgt Dataset의 mean self-entropy를 평가한다: hopt= argmin H(Dt)이다.)
(FN Simulation: SED로 찾은 pseudo label은 여전히 noisy(FP, FN)label인데, 특히나 positive가 작거나 가려지는 물체로 인해 FN으로 작용하는 현상이 발생하여 이를 방지하기 위함이다.)
4.h와 pre-trained model parameter를 이용해 Faster R-CNN은 아래 두 값을 출력한다. cf) pseudo labely(x)= foreground클래스확률의 argmax값 cf) confidencep(x)= classification분기에서의 softmax값
Experiments
핵심: 5개의 Dataset이 활용됨: KITTI, Sim10k, Cityscapes, BDD100k, Foggy Cityscapes
[Src → Tgt] ① KITTI → Cityscapes :for 새로운 Domain ② Sim10k → Cityscapes:for train data부족상황 가정. ③Cityscapes→ BDD10k:for data양의 차이(매우적음 to 매우많음) ④Cityscapes→ FoggyCityscapes:for noisy Tgt Domain
논문 review
🤔 내 생각
👍 장점:
∙ Unlabeled Domain Adaptation을 classification에만 적용하던 것을 Detection에도 적용했다는 점.
∙발생하는 2가지 문제점을 잘 파악하고 이에 적절한 해결책인 SED와 FN mining을 도입.
∙ Src data free하다는 점에서 data에 의한 영향도 줄어들고, real world에 대한 generalization이 좀 더 좋아보임.
👎 단점 + 🔍 개선할 점:
∙아무래도 Unsupervised방식이기에 근본적인 한계(pseudo label의 noise완전제거)는 매우 어렵다는 단점.
∙ confidence threshold search 시, mean self-entropy 기준 탐색을 하는 것 같고, 이에 대한 설명으로 낮은 값부터 높은 값까지 탐색한다 하였으니 greedy나 순차탐색이라는 느낌이 들었음. 순차탐색은 O(n)으로 다소 빠른편에 속함. 다만 BST같은 O(log n)을 활용한다면 Real World에서 더 탐지를 빨리 할 수 있지 않을까?
💻 코드구현가능성:
∙pre-trained model은 VGG16이기에 쉽게 구현가능 + Loss function도 마찬가지.(⭐️)
∙SED의 경우, mean self-entropy정도는 괜찮을 것 같고 Search도 Greedy-Search알고리즘을 사용하면 될 것 같으나 이를 Confidence score를 받아온다는 개념이 될 지는 모르겠음.(Faster R-CNN 코드를 뜯어봐야 좀 더 알 것 같다.)(⭐️⭐️⭐️)
∙FN Simulation의 경우, Mosic Augmentation은 이미 많은 github소스가 존재.(⭐️⭐️⭐️)
∙Faster R-CNN의 경우, 구현도 처음이고 아무래도 Detection model자체가 구현난이도가 존재하기에 다소 어려울 것 같음.(⭐️⭐️⭐️~⭐️⭐️⭐️⭐️)
∙이런 부분부분의 구현은 사실 이미 선행된 오픈소스 코드들이 많이 존재, 딱히 문제는 없어보이나 전반적인 main idea기반의 전체 모델 파이프라인 구현의 경우, 좀 어려워보인다. (⭐️⭐️⭐️⭐️⭐️⭐️)
일반적으로 Detection시, trainingset과 testset이 동일한 분포일 것이라 가정. 즉, 분포가 달라지면 성능이 떨어질 수 밖에 없음
🧐 저자의 제안:
Detection에서 cross-domain 강화에 초점. → 2개의 Domain Shift를 다룬다. i) Img수준의 변화 --ex) style, 조명 등 ii) Instance수준의 변화 --ex) 객체외관, 크기 등
SOTA인 Faster R-CNN을 사용,
위에서 말한 2개의 DAC(Domain Adaptation Component)를 삽입해 Domain불일치를 감소시킴
2개의 DAC의 경우, H-Divergence이론에 기반, 적대적 훈련방식으로 Domain Classifier를 학습해 구현. (To address the domain shift, we incorporate two do- main adaptation components on image level and instance level into the Faster R-CNN model to minimize the H- divergence between two domains.)
서로다른 Domain Classifier는 일관성규제를 통해 강화되어 RPN학습에 사용
Dataset: Cityscapes, KITTI, SIM10K 등
∙Image-level. vs. Instance-level Alignment
이미지 수준과 인스턴스 수준 Adaptation의 영향을 더 자세히 분석하기 위해 KITTI → Cityscapes에서 scale변화실험 수행. Scale 변화 = 모든 인스턴스와 배경에 영향을 미치는 전역적인 변환
tgt img scale변화 → scale불일치 시 vanilla-Faster R-CNN(ex. non-adapt비적응)의 성능이 크게감소.
두 adaptation에 대해 scale변화에 대한 견고성: Imgae > Instance
저자의 설계: 전역 도메인 변화가 주로 Image-level의 조정으로 해결. Instance-level은 불일치를 최소화하기 위해 사용되며, 심각한 전역 도메인 변화가 발생할 때 Instance 제안의 위치 결정 오류가 증가하기 때문.
그럼에도 불구하고 두 방법을 모두 사용하는 것이 모든 스케일에서 최상의 결과를 얻습니다. cf) Scale이 증가할수록 성능↑
∙Conclusion
새로운 Domain에도 추가적인 Labeling한 Data없이 잘 탐지할 수 있음.
2가지 방식을 제안. i) Img수준의 Adaptation Component ii) Instance수준의 Adaptation Component
위의 Adaptation Component는 H-Divergence의 적대적훈련에 기반.
Consistency Regularizer는 추가적으로 Domain에 불변한 RPN을 학습하기 위해 적용됨.
But❗️주변특성분포 조정만은 class조건부분포를 조정하는것까지 보장❌ → Domain Discrepancy를 더 크게만듬.
따라서 저자가 Instance-level Adapt를 위해 category-level semantic에 대한 Domain불변성을 학습하는 것을 목표로 한다. →기울기가 유사한 두 Domain이라면, 한 Domain만을 학습시킴으로써 다른 Domain의 학습을 향상시킬 수 있음을 의미.
🧐 저자의 제안:
즉, Gradient조정을 위해 FBC Adaptation을 제안. ∙ Forward: Tgt→Src으로의 적응을 계산 ∙ Backward: Src→Tgt으로의 적응을 계산
이 과정을 반복적으로 수행.
Adversarial Training으로 Image-level 조정을 위해 Low-level feature를 강조.
다만, 두 도메인에서 잘 되더라도 Tgt에서 안될 수 있다. 이를 위해 2가지 Regularization방법을 도입, Domain다양성을 강조. i) Src에서 최대 Entropy규제로 확실한 Src-specific학습에 penalty ii) Tgt에서 최소 Entropy규제로 Tgt-specific학습을 유도.
∙Conclusion
Label이 없는 Tgt Domain문제(= Unsupervised Learning)에 대해 FBC라는 방법을 제시:
FBC: Gradient방향이 비슷한 Src와 Tgt에 대해 category수준 semantic의 Domain불변성을 학습할 수 있을 것이라는 직관에 기반. Adversarial Training을 통한 Local feature조정은 전체적인 Image-level의 Domain불변성학습을 위해 수행.
Entropy규제: 확실한 Source-specific학습에 penalty, Tgt-specific유도를 위해 Domain다양성을 제약.
UDA(Unsupervised Domain Adaptation)의 문제점: label이 있는 Src Data 필요. Unlabeled인 Tgt Data가 "많이"필요 또한, Classification에서만 UDA방법론들이 발전해왔었음.
🧐 저자의 제안:
단지 1개의 Unlabeled Tgt sample만 있으면 됨. 이 OSFA(One-Shot Feature Alignment)알고리즘은 저수준의 Src, Tgt feature을 맞추기 위해 제안됨: 낮은 층의 CNN의 feature map의 평균활성화를 맞춰 Domain Shift를 줄인다.
위쪽)SSD // 아래쪽) Conv1_1, Conv1_2, Pool1 3개로 구성.
∙Conclusion
단지 하나의 Unlabeled Tgt sample만 필요. → 이를 위해 OSFA가 제안됨.
OSFA는 저차원의 Src,Tgt feature Domain을 맞추기 위해 제안된 알고리즘.
이 방법론은 Tgt sample선택에 상관없이 좋은 DA결과를 보이며, Domain Shift를 성공적으로 줄일 수 있었음.
annotation이 달린 Src와 annotation이 없는 Tgt간의 Domain Gap을 줄이기위해 DA를 다루며 유명한 Semi-Supervised학습법인 Teacher-Student프레임워크(teacher model이 만든 유사라벨로 지도학습)는 cross-domain에서 좋은 성능. 다만 아래 2가지 취약점이 존재. i) Domain Shift ii) 많은 저품질유사라벨 생성 (ex. FP)
🧐 저자의 제안:
이 취약점완화를 위해 Adaptive Teacher; AT를 사용: ∙ Domain Adversarial Learning ∙ weak-strong Data Augmentation 를 사용하는 teacher-student framework
∙ Domain Adversarial Learning: student모델에서 feature-level 적대적훈련 → Src와 Tgt간의 유사한 분포를 공유하게함 → Student모델이 Domain불변성을 생성하게함
appearance & semantic level의 Domain Shift Adaptation을 위한 "Semi-supervised Detector"를 제안한다. 이를 위해 2가지 구성요소가 제안: ∙ instance와 batch normalization이 있는 Appearance 적응신경망 ∙ 판별기 손실 re-weighting하는 semantic 적응 신경망 (불균형한 scale의 두 Domain간의 feature alignment(정렬)향상)
Self-paced training: 쉬운 것부터 어려운 것까지 점진적으로 Tgt도메인에서 유사라벨을 생성
∙Conclusion
완전히 라벨링된 Domain → Image수준 라벨링만 있는 Domain으로 강건한 Detector를 설계.
특히, Src와 Tgt이미지 간의 Domain Shift문제를 Appearance & Semantic수준의 alignment로 해결했다.
또한 semantic level adapt과정 중 아래 2가지 문제가 발생. ∙ Scale불균형 ∙ Vanishing Problem. 이를 위해 standard adversarial 신경망이 개발, 어려운 클래스 샘플에 초점. 더불어, Self-paced학습법을 도입, 성능개선.
DA 기본개념: 아래와 같이 source와 target 분포간의 Domain Shift가 발생하고, 그 정도가 심해지면 test성능은 떨어진다.
🤔 synthetic data란?
target domain과 유사한 source dataset을 synthetic data라 한다.
🤔 DA의 목적
인 target과 source dataset에 대해
를 만족하는 transformation T(.)함수를 찾는 것.
∙ Concept Shift [Ling et al; ICCV2013]
∙ Prior Shift [Kouw & Loog ; 2018]
등이 있었으나 본 내용은 Covariate Shift문제에 대해 다룬다.
📌Traditional DA
Metric Learning
Metric Learning은 "거리기반"DA를 진행한다. Src, Tgt의 label이 같다면 threshold보다 거리가 가깝도록 학습한다.
단점) Source, Target의 label이 모두 필요.
Subspace Representations
Src와 Tgt이 다른 subspace에 놓여있을 때, 이 둘의 subspace에 대해 subspace를 sampling하거나 Integration하는 등 alignment(조정)하여 해결.
Matching Distributions
Domain Shift로 인한 Distribution차이를 직접적으로 해결
📌 MMD방식 (Maximum Mean Discrepancy) 1. Src와 Tgt를 Hilbert Space(Completeness를 갖는 내적공간)로 mapping 2. Distribution의 차이를 계산 (Intra class간의 차이는 적어야하고) (Inter class간의 차이는 커야함)
cf) MMD를 변형해 source sampling에 weight를 학습하거나 resampling하는 방법도 존재 📌 TCA방식 (Transfer Component Analysis) TCA방식은 Feature space → Hilbert space → Latent space로 옮겨가며 mapping하는 W를 학습하는 방법이다.
일종의 GAN에서 사용되던 Discriminator를 가져다 사용한 느낌! 다만, 이전 방법들은 Feature space Distribution을 match하기위해 Reweighting, transformation을 찾는 방법을 사용했으나 DANN은 ① Feature Representation자체를 바꾸는 방식 + ② DA와 Deep Feature Learning을 하나의 학습과정안에서 해결한다. 추가적으로 ③ 분포간 차이측정 시, Deep Discriminatively-Trained Classifier를 사용(GAN컨셉) 또한 사용한다. Feature Extraction을 위한Embedding model에 대해 Src Domain Classification Loss를 줄임 Domain Classifier는 Src인지 Tgt인지 구분 이때, Domain구분못하게 학습해야해서 Gradient를 바꿔서 backward한다.
Part 3.Beyond Classical DA
그림에 굉장히 많은 것들이 표시되어 있는데, 이중에서 대표적인 방식 4가지만 여기서 짚고 넘어가자.
i) Transfer Learning
가장 기본적인 방식, Pretrained model과 Tgt data만 필요. Src data로 pretrain → Tgt data로 Fine-tuning
ii) Semi-supervised DA
labeled Src data와 labeled Tgt data 같이 활용. Domain과 상관없이 Class가 동일하면(Intra-class) Loss가 작아지게 학습하고 Class가 다르면(Inter-class) Loss는 어느 정도까지 (보통 margin을 설정해) 커지게 학습
iii) Transductive Unsupervised DA
🤔 Truansductive...? labeled Src data와 Unlabeld Tgt data를 사용해 학습하는 것
iv) Self-Supervised Learning
Label없이 학습가능한 self-learning task생성 후, 이를 이용해 Unlabeled Learning을 진행. 위의 Jigsaw퍼즐처럼 쪼개어 섞은 후, 원래의 순서를 학습하도록 하는 것이다. 이는 Src data와 Tgt data의 유무에 다라 다른 기법들과 같이 사용가능하다.
Ex) Tgt > Src : Transfer Learning과 같이 사용 Labeled Src 가 존재 : Unsupervised DA방식 사용
Part 4. Perspectives. &. Outlook
📌 Multi-Domain Learning
🤔 Mutli-Domain Learning? 그게 뭐죠 여러 도메인에서 발생하는 데이터를 사용해 모델을 학습하거나 적용시켜 새로운 환경에서 강건하게 동작하게 하는 기술. Domain: 데이터가 유래한 곳이나 특정 분포를 의미,
Multi-domain learning은 주로 다음과 같은 상황에서 활용된다: ∙ Domain Adaptation: 모델이 학습한 도메인과 테스트 도메인이 다를 때 발생하는 문제를 해결하기 위해 사용. ∙Domain Generalization: 여러 도메인에서의 데이터를 사용하여 일반적인 특성을 학습함으로써 새로운 도메인에 대한 성능을 향상시키는 것을 목표. 즉, 모델이 여러 도메인에서 얻은 지식을 더 일반적인 형태로 확장하는 것을 의미.
이점) ∙ 메모리 절약 및 multi-task효과, ∙ Incremental Learning (기존에 학습된 지식을 유지하면서 새로운 데이터 또는 클래스를 추가해 모델을 업데이트 하는 것.) 이에 대해 어떻게 sharing/seperation을 진행할 것인지에 대한 다양한 MDL방법론이 존재한다. ∙ Independent Networks ∙ Maximally Shared ∙ Residual Adapters
📌Meta-Learning for DA & DG
Meta-Learning Brief
🤔 DA vs Meta-Learning
[DA]: ∙목표) 학습된 모델을 다른 도메인으로 전이(transfer), 성능향상을 위해 모델을 조정.
∙방법) 주로 한 도메인에서 얻은 데이터를 사용하여 모델을 학습, 그 모델을 다른 도메인의 데이터에 적용합니다. 이를 위해 도메인 간의 차이를 최소화하거나 조정하는 방법을 적용합니다. [Meta-Learning]: ∙ 목표)작은 데이터에서 빠르게 학습하고 일반화할 수 있는 모델을 만드는 것이 목표로 학습하는 방식 자체의 개선으로 새 도메인에 빨리 적응,학습에 초점. 즉, "좋은 Inductive Bias"를 찾는 것이 중요!
∙방법) 작은 데이터셋에서 빠르게 학습하고 새로운 작업에 대해 일반화할 수 있는 학습 방법이나 알고리즘을 개발합니다. [Summary] DA: 하나의 도메인에서 학습된 모델을 다른 도메인으로 전이하는 방법에 중점 [Meta-Learning]: 모델 자체의 학습 방식을 개선하여 새로운 작업이나 도메인에 빠르게 적응하고 일반화하는 방법에 중점
Meta-Learning for DA
많은 인기있는 DA알고리즘들은 좋은 시작점에 위치했는지에 의존적이다. → 이에 대해 Meta-Learn이 좋은 시작점이 될 수 있을까?
Meta-Learning for DG
DG Problem설정에 대해 생각해보자. 🤔 어떻게 Meta객체를 정의할 것인가? Multi-Src에서, validation domain성능을 최적화해야한다.
어떤 하이퍼파라미터를 (meta)-learning에 사용해야할까?
∙ MetaReg (NeurIPS-18): MetaReg는 도메인 일반화를 위해 메타-정규화를 사용, 일반화 성능향상을 위해 메타-정규화를 가정합니다.
∙ Feature-Critic (ICML-19): Feature-Critic는 이질적인 도메인 일반화를 위한 기법 중 하나로 특징 품질을 평가하는 '비평가(critic)' 네트워크를 추가적인 손실 함수로 사용하여 도메인 간의 차이를 줄이고 일반화 성능을 향상시키려고 합니다. 🤔어떻게 Meta-최적화를 할 것인가? Meta-Learning에서 최적화는 일반적으로 비용이 많이 들고 불안정한 경우가 많은데, 이를 극복하기 위해 몇 가지 방법들이 제안된다.
∙ Bilevel Optimization: meta-train 단계에서, 모델을 최적화하는 동안 다른 최적화 문제를 해결하는 방법으로 메타-트레이닝에서 더 나은 성능을 갖는 모델을 찾기 위해 메타-러닝을 수행한다.
실제 적용: 실제로는 전통적인 모델 업데이트와 함께 모델을 업데이트하고, 메타-러닝을 사용하여 도메인 간의 성능을 개선하는 방법을 번갈아가며 적용한다. 이러한 접근 방식들은 메타-러닝에서의 최적화를 개선하고, 비용과 안정성 문제를 극복하기 위한 것이다. 🤔 Conclusion Meta-DA 및 Meta-DG가 기존의 DA & DG 연구를 보완할 수 있다는 점을 강조한다.
📌Emerging Problem Areas & Applications
DG: Heterogeneous Case
∙ Homogeneous DG (동질적 도메인 일반화): 공유된(Src와 Tgt에서 동일한) Label space가 존재. 즉 label의 종류가 동일하거나 공유된다.
∙Heterogeneous DG (이질적 도메인 일반화): Src와 Tgt 간 Label space가 안겹치거나 분리되어 있다. 이런 경우, 주로 특징 일반화(Feature Generalization)에 초점을 맞춥니다. 즉, Label space가 다른데도 특징(feature)을 일반화하려는 것이 중요합니다. Ex)ImageNet pretrained CNN을 feature extractor로 다른 도메인의 이미지에 대한 특징을 추출하고 이를 통해 일반화를 시도
Cross-Domain FSL
∙Traditional FSL(Few-Shot Learning): meta-train에서 획득한 지식을 meta-test로 전이(transfer), 일반화하는 방식.
∙CD-FSL (Cross-Domain Few-Shot Learning): Domain-shift를 고려한 Few-Shot Learning. Meta-Dataset과 같은 접근 방식은 어떻게 도메인 간의 변화를 전이하고 학습하는지에 초점
∙"Learned Feature-Wise Transforms" (ICLR-20) 특징별로 변형된(transformation) 학습. stochastic layers는 DG를 향상시킬 수 있다는 것을 보여준다. 또한, Meta-Learning을 적용해 Noise Distribution 학습을 시도했다.
Sim2Real Meta-Learning
∙ 목표: Sim2Real for Object Detection & Segmentation:
∙ Meta Representation: Simulator/Dataset. Idea: 시뮬레이터를 학습, 해당 시뮬레이터가 생성하는 데이터를 실제 환경에서 사용할 수 있는 형태로 만들어 모델을 학습시키면, 실제 환경에서 높은 정확도를 얻을 수 있을 것.
cf) RL/Evoluation Strategy 필요(시뮬레이터는 미분 불가능하기 때문.) Simulator는 미분 불가능한(non-differentiable) 특성을 갖기에, 이를 다루기 위해 RL 또는 ES와 같은 기법들이 필요하며, 이런 접근 방식은 시뮬레이션 환경에서 생성된 데이터를 실제 환경에 적용할 수 있는 방식으로 학습하여, 객체 감지와 분할에서 시뮬레이션에서 실제로 사용될 때의 성능을 향상시킨다.
