[論文レビュー] A Competitive Method to VIPriors Object Detection Challenge

Fei Shen, Xin He+2 more|arXiv (Cornell University)|Apr 19, 2021

Advanced Neural Network Applications参考文献 10被引用数 12

ひとこと要約

この論文は、データ拡張（bbox-jitter、grid-mask、mix-up）、グローバルコンテキストに注意を向けるROI特徴抽出、および重み付きボックス統合（WBF）を用いたモデルアンサンブルにより、VIPriorsオブジェクト検出チャレンジに対して競争力のあるソリューションを提示している。本手法は、COCO2017テストセットで39.4%のAP@0.50:0.95を達成し、ベースラインモデルを大きく上回り、長尾分布のデータと限られた訓練データ下でも強く頑健であることを示している。

ABSTRACT

In this report, we introduce the technical details of our submission to the VIPriors object detection challenge. Our solution is based on mmdetction of a strong baseline open-source detection toolbox. Firstly, we introduce an effective data augmentation method to address the lack of data problem, which contains bbox-jitter, grid-mask, and mix-up. Secondly, we present a robust region of interest (ROI) extraction method to learn more significant ROI features via embedding global context features. Thirdly, we propose a multi-model integration strategy to refinement the prediction box, which weighted boxes fusion (WBF). Experimental results demonstrate that our approach can significantly improve the average precision (AP) of object detection on the subset of the COCO2017 dataset.

研究の動機と目的

• VIPriorsチャレンジにおける長尾クラス分布と限られた訓練データによるオブジェクト検出の平均精度（AP）の低さという課題に対処すること。
• 外部データや事前学習重みを使用せずに、モデルの汎化性能と頑健性を向上させること。
• 各FPN段階で、領域認識（ROI）特徴にグローバルコンテキスト特徴を統合することで、特徴表現を向上させること。
• 重み付きボックス統合（WBF）を用いたマルチモデルアンサンブルにより、検出性能を最適化すること。
• 制限付きのコンペティション環境下で、COCO2017サブセットにおいて最先端の性能を達成すること。

提案手法

• bbox-jitterを適用し、境界ボックス座標を0.95–1.05のスケール範囲内でランダムに摺り動かすことで、訓練サンプルの難易度を向上させる。
• グリッドマスクを用いて、入力画像の均一に分布する領域を無効化することで、遮蔽や空間不変性に対する耐性を高める。
• 2つの画像とそのラベルを線形結合することでmix-up拡張を実装し、訓練データの多様性を向上させる。
• 全画像特徴マップから抽出したグローバルコンテキスト特徴を、各FPN段階の各ROI特徴に統合することで、意味的理解を強化する。
• 異なるバックボーン（Res2Net-152、SeNet-154、ResNeSt-152）を搭載した3つのCascade-RCNNモデルの予測を重み付きボックス統合（WBF）で統合し、局所化と分類の精度を向上させる。
• グループ正規化、スイッチャブルアトロスコンボリューション（SAC）、および低リソースクラス向けのランダムクロッピングとフリッピングによるカテゴリ固有のデータ拡張を用いて、訓練を最適化する。

実験結果

リサーチクエスチョン

• RQ1 外部データを使用せずに、bbox-jitter、grid-mask、mix-upといったデータ拡張技術が、小規模で長尾分布を示すオブジェクト検出データセットにおいて、検出性能を顕著に向上させることができるか？
• RQ2 2段階検出器において、ROI特徴にグローバルコンテキスト特徴を統合することで、特徴表現と検出精度がどの程度向上するか？
• RQ3 マルチモデルアンサンブルにおける複数モデルの予測を精緻化する際、非最大抑制（NMS）と比較して、重み付きボックス統合（WBF）はどの程度有効であるか？
• RQ4 バッチ正規化をグループ正規化に置き換え、スイッチャブルアトロスコンボリューションを追加することで、事前学習なしで訓練を開始した場合のモデルの収束性と性能が向上するか？
• RQ5 アーキテクチャの強化とデータ拡張戦略の組み合わせにより、事前学習重みを使用せずにVIPriorsチャレンジで競争力のある結果を達成できるか？

主な発見

• ベースラインのCascade-RCNN（Res2Net-152）はバリデーションセットで32.5%のAP@0.50:0.95を達成したが、本研究で提案する全手法を適用した後は36.9%に向上した。
• bbox-jitter、grid-mask、mix-upの個別適用により、それぞれAP@0.50:0.95が0.8%、2.1%、2.4%向上し、その有効性が裏付けられた。
• ROI特徴にグローバルコンテキスト特徴を統合することで、ベースラインから4.4%のAP@0.50:0.95向上が達成され、意味的コンテキストを捉える役割が明確に示された。
• WBFを用いたマルチモデルアンサンブルは、テストセットで39.4%のAP@0.50:0.95を達成し、他のすべての競合手法を上回った。
• グループ正規化とスイッチャブルアトロスコンボリューションの使用により、訓練がさらに安定化し、特に低頻度カテゴリにおいて性能向上が見られた。
• 最終モデルは、テストセットで56.3%のAP@0.50と42.7%のAP@0.75を達成し、優れた汎化性能と局所化精度を示した。