🎓 Сравнительный анализ архитектур RetinaNet и Faster R-CNN в задаче детекции транспорта на снимках БПЛА

Автор: Ярослав Душин
Датасет: VisDrone2019-DET
Цель: Исследование эффективности одностадийных и двухстадийных детекторов в условиях экстремально малого масштаба объектов.

---

📑 Аннотация

В данной работе проводится экспериментальное сравнение двух парадигм детекции объектов — One-Stage (RetinaNet) и Two-Stage (Faster R-CNN) — на материале аэроснимков. Основная сложность задачи заключается в специфике данных с БПЛА: высокая плотность объектов (до 300+ на кадр) и их малый размер (<0.1% площади изображения).

В ходе исследования были разработаны кастомные модификации архитектур, адаптированные под микро-масштаб (Custom Anchors, P2 Feature Level), и проведено обучение моделей "с нуля". Результаты показали, что двухстадийный подход (Faster R-CNN) превосходит одностадийный (RetinaNet) более чем в 2 раза по метрике mAP, демонстрируя значительно лучшую устойчивость к ложным срабатываниям на сложном фоне.

---

1. Проблематика и Анализ данных (EDA)

Стандартные детекторы, обученные на COCO, "слепнут" на снимках с дронов. Разведочный анализ датасета VisDrone2019 выявил причины:

• Микро-масштаб: Медианный размер объекта составляет всего 15x12 пикселей. Стандартные якоря (Anchors) начинаются от 32px, что приводит к нулевому IoU при обучении.
• Дисбаланс фона: Более 99% кадра занимает сложный фон (крыши, разметка, растительность), создающий множество False Positives.
• Плотность: Сцены содержат сотни перекрывающих друг друга объектов.

Рис. 1. Статистика датасета: распределение размеров боксов и плотности сцены.

---

2. Методология и Модификации

Для решения выявленных проблем были реализованы Custom-версии моделей на базе ResNet-50 + FPN.

🛠 Архитектурные изменения:

1. Адаптация генератора якорей (Anchor Optimization):
   • С помощью алгоритма K-Means были пересчитаны базовые размеры якорей.
   • Введена новая сетка, начинающаяся с 11 пикселей (вместо стандартных 32), что позволяет захватывать даже удаленные мотоциклы и велосипеды.
2. High-Resolution Feature Pyramid (Уровень P2):
   • В FPN добавлен выход с первого блока ResNet (stride 4). Это увеличило разрешение карт признаков в 4 раза, сохраняя пространственную структуру мелких объектов.
3. Density-Aware Sampling:
   • Лимит детекций (Detections per Image) увеличен со 100 до 400, чтобы NMS не отбрасывал объекты в плотных пробках.

---

3. Эксперимент

• Протокол обучения: Обучение с нуля (без предобучения), 40 эпох.
• Оптимизатор: SGD + Momentum (0.9) + Weight Decay (0.0005).
• Scheduler: Linear Warmup (5 эпох) -> Cosine Annealing.
• Аугментации: RandomCrop (критически важно для сохранения разрешения), HorizontalFlip.

Динамика обучения

На графиках видно, что семейство Faster R-CNN (зеленый/красный) сходится значительно быстрее и стабильнее, чем RetinaNet (синий/оранжевый).

Рис. 2. Сравнение метрик mAP и Loss в процессе обучения.

---

4. Результаты и Обсуждение

Архитектура	Версия	mAP (0.5:0.95)	mAP @0.50	mAP Small	mAP Large
Faster R-CNN	Reference	0.1945	0.3497	0.1405	0.3582
Faster R-CNN	Custom	0.1827	0.3368	0.1289	0.3826
RetinaNet	Reference	0.0933	0.1801	0.0612	0.1762
RetinaNet	Custom	0.0578	0.1247	0.0441	0.0610

💡 Интерпретация результатов:

1. Почему Faster R-CNN победил? Двухстадийная архитектура имеет решающее преимущество: RPN (Region Proposal Network). Она работает как "фильтр", отсекая пустой фон до этапа классификации. Механизм RoIAlign позволяет извлекать признаки для объектов 15x15 px без потери пространственной информации.

2. Провал RetinaNet: Несмотря на Focal Loss, одностадийный детектор не справился с экстремальным дисбалансом фона. Модель выдает огромное количество ложных срабатываний ("шум") на текстурах деревьев и зданий (см. визуализацию ниже).

---

5. Визуализация работы

Сравнение работы моделей на сложной сцене (перекресток).

Faster R-CNN (Custom): Высокая точность, отсутствие ложных срабатываний.

RetinaNet (Reference): Множественные ошибки (False Positives) в зонах сложного фона (верхняя часть кадра).

---

6. Заключение

Исследование подтвердило гипотезу о преимуществе Two-Stage подхода для задач аэрофотосъемки. Однако текущий "потолок" точности (~0.19 mAP) может быть преодолен следующими методами:

1. Slicing Aided Hyper Inference: Нарезка изображения на патчи при инференсе, чтобы подавать в сеть объекты в исходном масштабе (без даунскейлинга).
2. Mosaic Augmentation: Склейка 4-х кадров при обучении (как в YOLO) для улучшения контекстного восприятия.
3. Transformer Backbones: Переход на Swin Transformer для лучшего моделирования глобальных зависимостей в кадре.

---

💻 Запуск проекта

1. Установка

git clone [https://github.com/username/visdrone-research.git](https://github.com/username/visdrone-research.git)
cd visdrone-research
pip install -r requirements.txt

2. Подготовка данных

Скрипт автоматически скачает архив с Google Drive, распакует его и распределит по папкам:

python download_data.py

3. Обучение

Запуск эксперимента для выбранной архитектуры:

python train.py --model fasterrcnn_custom --epochs 40 --batch_size 8

Доступные модели: retinanet_ref, retinanet_custom, fasterrcnn_ref, fasterrcnn_custom.

4. Анализ результатов

После завершения обучения скрипт построит графики метрик, сгенерирует сводную таблицу и визуализирует предсказания:

python -m src.analysis

Результаты сохраняются в папку visdrone_final_results/