[論文レビュー] A Novel Improved Mask RCNN for Multiple Targets Detection in the Indoor Complex Scenes

Zongmin Liu, Jirui Wang+3 more|arXiv (Cornell University)|Jan 7, 2023

Advanced Neural Network Applications被引用数 4

ひとこと要約

本論文は、複雑な屋内環境における複数対象の検出を向上させるために、畳み込みブロック注意モジュール（CBAM）を統合した改良型Mask R-CNNモデルを提案する。チャネルおよび空間的注意メカニズムを統合することで、ベースライン手法と比較して高い精度と優れたノイズ耐性を達成し、リアルタイムに近い検出速度を維持する。

ABSTRACT

With the expansive aging of global population, service robot with living assistance applied in indoor scenes will serve as a crucial role in the field of elderly care and health in the future. Service robots need to detect multiple targets when completing auxiliary tasks. However, indoor scenes are usually complex and there are many types of interference factors, leading to great challenges in the multiple targets detection. To overcome this technical difficulty, a novel improved Mask RCNN method for multiple targets detection in the indoor complex scenes is proposed in this paper. The improved model utilizes Mask RCNN as the network framework. On this basis, Convolutional Block Attention Module (CBAM) with channel mechanism and space mechanism is integrated, and the influence of different background, distance, angle and interference factors are comprehensively considered. Meanwhile, in order to evaluate the detection and identification effects of the established model, a comprehensive evaluation system based on loss function and Mean Average Precision (mAP) is established. For verification, experiments on the detection and identification effects under different distances, backgrounds, angles and interference factors were conducted. The results show that designed model improves the accuracy to a higher level and has a better anti-interference ability than other methods when the detection speed was nearly the same.

研究の動機と目的

• 高干渉性を伴う複雑な屋内環境における正確な複数対象検出の課題に対処すること。
• 屋内環境に一般的に見られる距離や角度、背景条件の変動に伴う検出の頑健性を向上させること。
• Mask R-CNNフレームワークに注意メカニズムを統合することで、深層ネットワークにおける特徴表現を強化すること。
• mAPと損失関数を用いた包括的な評価システムを構築し、モデルの妥当性を検証すること。
• 制御された実験を通じて、実世界の屋内シナリオにおけるモデルの優位性を検証すること。

提案手法

• 提案手法は、チャネルおよび空間的注意を統合する畳み込みブロック注意モジュール（CBAM）を統合することで、標準的なMask R-CNNアーキテクチャを拡張する。
• CBAMは、チャネルごとおよび空間ごとの重要度に基づいて特徴マップを再スケーリングすることで、複雑な条件下での特徴学習を向上させる。
• モデルは、分類、ボクシングボックス回帰、マスク損失を組み合わせたマルチオブジェクト検出損失関数を用いてトレーニングされ、エンドツーエンド最適化が実現される。
• Mean Average Precision（mAP）と損失関数を用いた包括的な評価システムが構築され、多様なシナリオにおける性能を評価する。
• 距離、背景の複雑さ、視点角度、環境的干渉の変動を制御した実験により、頑健性がテストされる。
• モデルは、特定の屋内データセット（カスタムまたは標準）上でトレーニングおよび評価されるが、要約では正確なデータセットは明記されていない。

実験結果

リサーチクエスチョン

• RQ1 Mask R-CNNにCBAMを統合することで、複雑な屋内シーンにおける検出精度にどのような影響を与えるか？
• RQ2 改善されたモデルは、距離や角度の変動に伴ってどの程度性能を維持できるか？
• RQ3 背景のごみや視覚的干渉に対して、ベースライン手法と比較してどの程度の頑健性を示すか？
• RQ4 提案アーキテクチャにおいて、検出精度と推論速度のトレードオフはどのように変化するか？
• RQ5 提案された評価システムは、多様な屋内条件下での性能差を効果的に捉えられるか？

主な発見

• 提案モデルは、複雑な屋内シーンにおいて標準的なMask R-CNNや他のベースライン手法と比較して、より高い検出精度を達成した。
• CBAMの統合により、背景のごみや隠蔽物からの干渉に対するモデルの耐性が顕著に向上した。
• 近似リアルタイムの推論速度を維持しながら、テスト条件のあらゆる状況で優れたmAPスコアを達成した。
• 距離や視点角度の変動に対しても一貫した性能向上を示し、優れた一般化能力を示した。
• 包括的な評価システムは、特に視覚的ノイズが多い困難なシナリオにおいて、性能向上を効果的に定量化した。
• 結果から、注意メカニズムが特徴表現を強化し、複数対象の検出とセグメンテーションの質を向上させることを確認した。