[論文レビュー] AttentionNet: Aggregating Weak Directions for Accurate Object Detection

Donggeun Yoo, Sunggyun Park+3 more|arXiv (Cornell University)|Jun 25, 2015

Advanced Neural Network Applications参考文献 27被引用数 12

ひとこと要約

AttentionNetは、画像の隅から弱い方向予測（例：左、右、上、下）を集約することで、反復的にオブジェクトのバウンディングボックスを改善する、画期的なトップダウン型オブジェクト検出手法を提案する。検出を反復的分類タスクとして扱うことで、単一の8層ネットワークを用いてPASCAL VOC 2007/2012で65.0%のAPという最先端の性能を達成し、別個の領域提案ネットワークや後処理回帰モジュールの必要性を排除した。

ABSTRACT

We present a novel detection method using a deep convolutional neural network (CNN), named AttentionNet. We cast an object detection problem as an iterative classification problem, which is the most suitable form of a CNN. AttentionNet provides quantized weak directions pointing a target object and the ensemble of iterative predictions from AttentionNet converges to an accurate object boundary box. Since AttentionNet is a unified network for object detection, it detects objects without any separated models from the object proposal to the post bounding-box regression. We evaluate AttentionNet by a human detection task and achieve the state-of-the-art performance of 65% (AP) on PASCAL VOC 2007/2012 with an 8-layered architecture only.

研究の動機と目的

• CNNベースの検出において、初期の提案が不十分な場合に正確なオブジェクト局所化を達成する課題に対処すること。
• 画像からバウンディングボックスへの直接回帰の難しさを克服するため、検出を弱い方向分類の逐次的系列に再定式化すること。
• オブジェクト検出パイプラインにおける別個のモデル（領域提案、分類、バウンディングボックス回帰）の必要性を排除すること。
• 統合的かつエンドツーエンドで学習可能なネットワークを用いて、単一クラスオブジェクト検出で最先端の性能を達成すること。

提案手法

• AttentionNetは、画像の左上および右下の隅から弱い方向移動（例：→、↓、↘）を予測する単一の深層CNNである。
• ネットワークは各隅に対して8種類の方向（「停止」または「非ヒューマン」を含む）のうちの1つを出力し、次のクロッピングステップをガイドする。
• 検出プロセスは反復的である：予測された方向に従って画像がクロップされ、その結果をネットワークに再入力し、両隅が「停止」を出力するまで繰り返す。
• 両隅が「停止」に収束した時点で最終的なバウンディングボックスが形成され、局所化の高信頼性が保証される。
• ハードデシジョン基準を用いる：両隅が「停止」を出力したボックスのみを受理する。これにより、誤検出が低減されるが、再現率は低下する。
• 複数オブジェクト検出のためには、注目度スコアに基づく効率的なプルーニングを伴うスライディングウィンドウアプローチを用いてフレームワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 分類スタイルのCNNによる反復的で弱い方向予測が、明示的な回帰や提案ネットワークなしに正確なオブジェクト局所化を達成できるか？
• RQ2 従来のボトムアップ型オブジェクト検出パイプラインと比較して、トップダウン型で反復的な精錬戦略は、局所化の正確性と耐性においてどのように異なるか？
• RQ3 単一の統合ネットワークが、オブジェクト存在推定、局所化の精錬、最終的なバウンディングボックス予測を別々のモジュールなしに行えるか？
• RQ4 R-CNNのようなボトムアップ検出器と組み合わせることで、弱い方向に基づく検出器の性能をどの程度向上できるか？
• RQ5 小さなサイズで視覚的に特徴が不明瞭なオブジェクトに対して、この手法はどの程度汎用的か？

主な発見

• AttentionNetは、8層ネットワークのみを用いてPASCAL VOC 2007/2012における人間検出で65.0%の平均平均精度（AP）を達成し、単一クラス検出の分野で新たな最先端性能を樹立した。
• この手法は高信頼性のバウンディングボックスをわずか4,863個しか生成しなかったが、R-CNNの53,624個よりも著しく少ないことから、再現率は低いものの、精度が優れていることが示された。
• AttentionNetとR-CNNを組み合わせることで、APが69.8%に向上し、トップダウンとボトムアップの検出戦略の相乗効果が明確に示された。
• 「ボトル」クラスのような挑戦的なクラスでは、精錬を施したAttentionNetがVOC 2007で45.5%、VOC 2012で45.0%のAPを達成し、先行手法よりVOC 2012で9.4ポイント以上も優れていた。
• 微調整やクラス固有のチューニングなしに、非ヒューマンクラスに対しても一般化が良く、小さな物体や視覚的に曖昧な物体に対しても頑健であることが示された。
• AttentionNetの精度-再現率曲線はR-CNNよりも緩やかに低下しており、低い再現率でも安定した性能を示しており、正例マイニングやしきい値緩和によるさらなる改善の可能性を示唆している。