[論文レビュー] Active Control of Camera Parameters for Object Detection Algorithms

Yulong Wu, John K. Tsotsos|arXiv (Cornell University)|May 16, 2017

CCD and CMOS Imaging Sensors参考文献 23被引用数 7

ひとこと要約

本論文は、一般的な画像品質指標ではなく、オブジェクト検出性能に基づいて直接最適化されるシャッタースピードおよびボルテージゲインといったカメラパラメータのアクティブ制御手法を提案する。さまざまな照明条件およびカメラ設定下で4つの検出アルゴリズムを評価した結果、著者らは、特にDPM やBoW といった局所特徴ベースのモデルにおいて、従来のオート露出よりも顕著に平均平均精度（mAP）を向上させることを示した。最適設定下ではmAPが最大60％まで上昇した。

ABSTRACT

Camera parameters not only play an important role in determining the visual quality of perceived images, but also affect the performance of vision algorithms, for a vision-guided robot. By quantitatively evaluating four object detection algorithms, with respect to varying ambient illumination, shutter speed and voltage gain, it is observed that the performance of the algorithms is highly dependent on these variables. From this observation, a novel active control of camera parameters method is proposed, to make robot vision more robust under different light conditions. Experimental results demonstrate the effectiveness of our proposed approach, which improves the performance of object detection algorithms, compared with the conventional auto-exposure algorithm.

研究の動機と目的

• 照明状態が変化する条件下で、シャッタースピードやボルテージゲインといったカメラパラメータがオブジェクト検出アルゴリズムに与える影響の感受性を調査すること。
• 固定で最適なカメラ設定が用いられたデータセットで学習されたビジョンアルゴリズムにおけるセンサーバイアスの問題を解決すること。
• 特定のオブジェクト検出アルゴリズムの性能に基づいてカメラパラメータを最適化する、新しいアクティブ制御フレームワークの開発。
• 実世界の照明条件において、ビジョンガイドドロボットシステムの頑健性と適応性を向上させること。
• 性能駆動型のカメラパラメータ制御が、標準的なオート露出アルゴリズムを上回ることを実証すること。

提案手法

• 7段階の照度、8段階のシャッタースピード、8段階のボルテージゲインを変化させ、5つの物体を対象に合計2,240枚の画像から構成される独自データセットを構築した。
• 学習セットにおいて、4つのオブジェクト検出アルゴリズム（DPM、BoW、R-CNN、SPP-net）を、すべてのカメラパラメータの組み合わせに対して評価し、事前に性能テーブルを計算した。
• ノイズ低減と最適化の安定性向上を目的として、可変なσ（0.5、1、2）を持つガウススムージング演算子を性能テーブルに適用した。
• スムージング済みの性能テーブルから予測された検出mAPを最大化するように、各物体および照度レベルごとに最適なカメラパラメータペア（シャッタースピード、ゲイン）を選定した。
• テストセット上で、選定されたパラメータを用いた検出性能と、組み込みのオート露出アルゴリズムの性能を比較することで、本手法の妥当性を検証した。
• 局所最適化に3×3のカーネルを使用し、複数の学習／テスト分割にわたって結果を平均化することで、耐久性を確保した。

実験結果

リサーチクエスチョン

• RQ1 照明状態が変化する条件下で、シャッタースピードおよびボルテージゲインといったカメラパラメータがオブジェクト検出アルゴリズムの性能に与える影響は何か？
• RQ2 従来のオート露出は、低照度条件下でどの程度オブジェクト検出性能を低下させるか？
• RQ3 カメラパラメータを、明るさやエントロピーではなく、検出mAPを最大化するように能動的に制御することは可能か？
• RQ4 パラメータの変化に対して、局所特徴ベースの検出器（例：DPM、BoW）とディープラーニングベースの検出器（例：R-CNN、SPP-net）の性能はどのように異なるか？
• RQ5 ノイズ低減と精度の両立を考慮した場合、パラメータ選定において最適なスムージングパラメータ（σ）は何か？

主な発見

• アクティブ制御手法により、DPMのmAPはオート露出時の0.48からσ=1の最適設定下で0.60に上昇し、相対的に23％の改善が達成された。
• BoWのmAPは、0.38から最適制御下で0.51に上昇し、相対的に34％の増加を示した。これはカメラパラメータに極めて感受されることを示している。
• R-CNNはアクティブ制御下でmAPが0.61から0.56にわずかに低下したが、σ=1の設定で0.60に安定化し、パラメータ変動に対して頑健であることが示された。
• SPP-netはアクティブ制御下で最高のmAP 0.69（σ=1）を達成し、オート露出の0.63を上回った。深層ネットワークに対しても有効であることが実証された。
• 局所特徴ベースのアルゴリズム（DPM、BoW）において、性能の向上が最も顕著であった。これは露出やノイズに非常に感受されることによるものと推察される。
• 一意のσ値がすべてのアルゴリズムで常に優れていたわけではなかったが、σ=1が全アルゴリズムにわたって最もバランスが良く、効果的な結果をもたらした。