[論文レビュー] Adaptive Object Detection Using Adjacency and Zoom Prediction

Yongxi Lu, Tara Javidi+1 more|arXiv (Cornell University)|Dec 24, 2015

Advanced Neural Network Applications参考文献 31被引用数 17

ひとこと要約

この論文では、学習された隣接性およびズーム予測に基づいて、画像領域を再帰的に分割することで動的に領域提案を生成する、適応的オブジェクト検出フレームワークAZ-Netを提案する。RPNベースの手法と比較して最大100倍少ないアンカーを用いながら、最先端のmAPを達成し、高い推論速度を維持する。

ABSTRACT

State-of-the-art object detection systems rely on an accurate set of region proposals. Several recent methods use a neural network architecture to hypothesize promising object locations. While these approaches are computationally efficient, they rely on fixed image regions as anchors for predictions. In this paper we propose to use a search strategy that adaptively directs computational resources to sub-regions likely to contain objects. Compared to methods based on fixed anchor locations, our approach naturally adapts to cases where object instances are sparse and small. Our approach is comparable in terms of accuracy to the state-of-the-art Faster R-CNN approach while using two orders of magnitude fewer anchors on average. Code is publicly available.

研究の動機と目的

• 空または背景領域に計算リソースを無駄に割く固定アンカー手法の非効率性を解消すること。
• 小規模で疎なオブジェクトインスタンスの検出性能を向上させることで、計算リソースをオブジェクトを含む可能性の高い部分領域に動的に集中させること。
• 検出精度を損なわずに領域提案数を削減するクラスに依存しない適応的探索戦略を設計すること。
• 高解像度画像における効率的な推論を可能にするために、重複する提案計算を最小限に抑えること。

提案手法

• この手法は、各候補領域についてズーム指標と隣接スコアを予測する深層ニューラルネットワーク、AZ-Netを用いる。これにより、領域をさらに分割するかどうかが決定される。
• ズーム指標は、コンテンツ特徴に基づいて、領域を再帰的に小さな部分領域に分割するかを判断する学習済みスカラーである。
• 高い信頼度スコアを持つ隣接予測は、検出器の最終的な領域提案として使用され、固定アンカーグリッドに置き換わる。
• アルゴリズムは画像全体から開始し、AZ-Netを再帰的に適用することで、コンテンツに依存した適応的アンカーの集合を生成する。
• ネットワークは、ズーム意思決定と隣接領域のオブジェクト存在を同時に予測するための統合損失関数を用いて、エンドツーエンドで訓練される。
• 事前に定義されたアンカーテンプレートに依存するのではなく、画像コンテンツと階層的特徴応答に基づいて提案を構築する。

実験結果

リサーチクエスチョン

• RQ1 固定アンカー手法と比較して、適応的領域提案戦略は、アンカー数を削減しながらも検出精度を維持または向上させることができるか？
• RQ2 コンテンツに依存する再帰的分割は、固定グリッドアンカー生成と比較して、小規模オブジェクトのリコールおよび高IOU閾値における性能でどのように異なるか？
• RQ3 1つのクラスに依存しない提案ネットワークは、マルチクラス検出シナリオにおいて、クラスごとの適応的検出手法を上回ることができるか？
• RQ4 適応的探索戦略は、高解像度画像において推論速度とスケーラビリティをどの程度向上させるか？

主な発見

• MSCOCO 2015テストデベロップメントセットにおいて、AZ-Netは、わずか数回の訓練イテレーションと浅いバックボーンを用いながらも、ResNetを用いたRPN（37.4 mAP）と同等の平均平均精度（mAP）22.3を達成した。
• Pascal VOC 2007では、AZ-Netは22.3%のmAPを達成し、VGG16を用いたFaster R-CNN（19.7%）を上回り、VGG16を用いたRPN（21.9%）およびResNet（37.4%）と同等またはそれ以上の主要指標を達成した。
• 平均して1枚の画像あたり約10個のアンカー領域しか使用しないため、RPNの2400アンカーと比較して100倍の削減が達成され、推論効率が顕著に向上した。
• AZ-Netは、高IOU閾値および少ない上位提案数においても高いリコールを示しており、より優れた局所化精度と提案品質を示している。
• CPU-GPUメモリ転送とRoIプーリングを含む最適化されていない実装を用いても、AZ-Netは高速なフレームレートを達成しており、最適化によりさらなる高速化が期待できる。
• 適応的探索戦略は、小規模オブジェクト検出において優れた性能を示し、コンテンツに敏感で細粒度な領域分割により、小規模インスタンスのリコールが向上した。