🎯 SizeDet

크기 예측을 통한 회전 객체 탐지 성능 개선 연구

회전 객체 탐지에서 크기 예측 정확도가 detection 성능에 미치는 영향을 탐구합니다

설치 가이드 | 환경 상세 | 설정 파일

---

📌 개요

SizeDet은 회전 객체 탐지(Oriented Object Detection, OBB)에서 크기(width, height) 예측 오차를 줄이는 것이 최종 탐지 성능에 어떤 영향을 미치는지 검증하는 연구입니다.

핵심 질문

"객체의 크기 정보를 활용할 수 있다면 더 정교한 localization이 가능하지 않을까?"

사용 데이터셋

• DOTA v2.0 (Dataset for Object deTection in Aerial images)
• 위성/항공 이미지 기반 회전 객체 탐지 벤치마크

---

🚀 Quick Start

# 전체 설치 가이드: docs/INSTALL.md 참고
python tools/train.py configs/obb/gra/gra_orcnn_r50fpn1x_ss_dota20.py

📚 설치 가이드: docs/INSTALL.md | 환경 정보: docs/ENVIRONMENT.md

---

🔬 연구 배경

초기 동기

• 목표: DOTA 데이터셋에서 tiny object detection 성능 개선
• 가설: 객체의 통상적인 크기 정보를 활용하면 더 정교한 bbox 예측이 가능할 것

현재 연구 초점

Tiny object detection보다는 localization 정확도와 detection 성능의 근본적인 관계를 검증하는 데 집중하고 있습니다.

---

💡 방법론

시도한 접근법

1️⃣ Area + Ratio Loss 추가

구현: gsd_loss.py

• Area Loss: Ground truth와 예측 bbox의 면적 오차 최소화
• Ratio Loss: Width/height 비율 정보 활용 (동일 면적 다른 형태 구분)

2️⃣ Decoupled FC Layer

구현: obb_decoup_convfc_bbox_head.py

• 분리 전략: 중심점(cx, cy, θ)과 크기(w, h) 예측 브랜치 분리
• 목적: Oriented R-CNN 2nd stage에서 예측 간 간섭(interference) 감소

3️⃣ Layer Normalization

• 분리된 브랜치에 LayerNorm 적용
• Feature distribution 안정화

---

📊 실험 결과

정량적 결과

방법	크기 오차↓	중심점 오차↓	mAP↑	상태
1. Area + Ratio Loss	-	-	-	❌ 효과 없음
2. FC Layer 분리	-	-	-	❌ 효과 없음
3. 분리 + LayerNorm	✅ 감소	✅ 감소	⚠️ 미개선	🤔 역설적

🔍 역설적 발견

**방법 3 (Decoupled + LayerNorm)**에서:

✅ 평균 크기 오차 (픽셀):     감소
✅ 평균 중심점 오차 (픽셀):   감소
❌ mAP (Mean Average Precision): 개선 없음 (일부 하락)

❓ 핵심 연구 질문

왜 더 나은 localization이 더 나은 detection 성능으로 이어지지 않는가?

가능한 가설:

1. IoU threshold 문제: 향상된 localization이 COCO mAP의 IoU threshold range에서 충분히 반영되지 않음
2. Classification 간섭: Bbox regression 개선이 classification 성능에 부정적 영향
3. Train-Test 불일치: 학습 중 개선이 테스트 시 일반화되지 않음

🚧 연구 진행 중: 추가 분석 및 실험이 필요합니다.

---

⚙️ 설치

전체 설치 가이드: docs/INSTALL.md

패키지	버전
Python	3.7.12
PyTorch	1.9.0 + CUDA 11.1
mmcv-full	1.3.9

---

📁 데이터셋 준비

DOTA v2.0 다운로드 및 구성

# 디렉토리 구조
data/
└── dota/
    ├── train/
    │   ├── images/
    │   └── annfiles/
    ├── val/
    │   ├── images/
    │   └── annfiles/
    └── test/
        └── images/

다운로드: DOTA 공식 웹사이트

전처리: BboxToolkit 사용

cd BboxToolkit
python tools/img_split.py --config configs/dota2.json

---

🎓 사용 방법

1. 사전학습 가중치 다운로드

# GRA-ResNet50 백본 다운로드
wget https://drive.google.com/uc?id=15wGWyPJPQF0ORV8LcPp5BWOtl7rW8ht5 -O checkpoint-model.pth

또는 Google Drive 링크에서 수동 다운로드

2. 학습

# DOTA v2.0 - Decoupled Head (본 연구)
python tools/train.py configs/obb/gra/gra_orcnn_r50fpn1x_ss_dota20.py

# 멀티 GPU 학습 (4 GPUs)
bash tools/dist_train.sh configs/obb/gra/gra_orcnn_r50fpn1x_ss_dota20.py 4

3. 테스트 및 평가

# 테스트 결과 생성
python tools/test.py \
    configs/obb/gra/gra_orcnn_r50fpn1x_ss_dota20.py \
    work_dirs/gra_orcnn_r50fpn1x_ss_dota20/latest.pth \
    --format-only \
    --options save_dir=results/dota20

4. 설정 파일

설정 파일	설명	데이터셋
gra_orcnn_r50fpn1x_ss_dota20.py	Decoupled Head (본 연구) LayerNorm + 분리된 브랜치	DOTA v2.0

---

🙏 Acknowledgement

본 프로젝트는 다음의 우수한 연구와 오픈소스에 기반합니다:

기반 연구 및 코드베이스

• GRA - Group-wise Rotating and Attention (ECCV 2024)

  • Authors: Jiangshan Wang, Yifan Pu, Yizeng Han, Jiayi Guo, Yiru Wang, Xiu Li, Gao Huang
  • 본 프로젝트의 backbone으로 사용

• MMDetection - Open MMLab Detection Toolbox

  • 기본 객체 탐지 프레임워크

• ARC - Adaptive Rotated Convolution

  • 회전 객체 탐지 유틸리티

📝 Note: 본 저장소는 GRA의 수정 및 최소화 버전으로, 크기 예측 실험에 필요한 핵심 구성요소만 포함합니다. 본 연구의 기여는 Decoupled BBox Head 설계이며, GRA backbone 자체가 아닙니다.

---

📖 Citation

본 코드를 연구에 사용하시는 경우, 원본 GRA 논문을 인용해주세요:

@article{wang2024gra,
  title={GRA: Detecting Oriented Objects through Group-wise Rotating and Attention},
  author={Wang, Jiangshan and Pu, Yifan and Han, Yizeng and Guo, Jiayi and Wang, Yiru and Li, Xiu and Huang, Gao},
  journal={arXiv preprint arXiv:2403.11127},
  year={2024}
}

---

📄 License

본 프로젝트는 Apache License 2.0을 따릅니다 (원본 MMDetection과 동일).

자세한 내용은 LICENSE 파일을 참고하세요.

---

💬 Contact & Issues

질문이나 이슈가 있으시면:

• GitHub Issues에 등록해주세요
• 본 연구는 진행 중이며, 결과는 preliminary입니다

---

⭐ Star this repo if you find it helpful!

Made with ❤️ for better oriented object detection