[論文レビュー] Cascade Region Proposal and Global Context for Deep Object Detection

Qiaoyong Zhong, Chao Li+4 more|arXiv (Cornell University)|Oct 30, 2017

Advanced Neural Network Applications参考文献 1被引用数 11

ひとこと要約

この論文では、Faster R-CNNにおけるオブジェクト検出の性能向上を目的として、軽量な段階的RPNと強化されたグローバルコンテキストモデリングを提案する。広範な事前学習およびトレーニング/テストのテクニックを活用することで、PASCAL VOC 2012で87.9%、ILSVRC 2016で65.3%、COCO test-stdで36.8%のmAPを達成し、グローバルコンテキストの導入だけで4.2%のmAP向上を実現した。

ABSTRACT

Deep region-based object detector consists of a region proposal step and a deep object recognition step. In this paper, we make significant improvements on both of the two steps. For region proposal we propose a novel lightweight cascade structure which can effectively improve RPN proposal quality. For object recognition we re-implement global context modeling with a few modications and obtain a performance boost (4.2% mAP gain on the ILSVRC 2016 validation set). Besides, we apply the idea of pre-training extensively and show its importance in both steps. Together with common training and testing tricks, we improve Faster R-CNN baseline by a large margin. In particular, we obtain 87.9% mAP on the PASCAL VOC 2012 test set, 65.3% on the ILSVRC 2016 test set and 36.8% on the COCO test-std set.

研究の動機と目的

• 軽量な段階的RPNアーキテクチャを用いて、深層オブジェクト検出器における領域提案の品質を向上させること。
• グローバルコンテキストモデリングの再実装と事前学習により、オブジェクト認識の精度を向上させること。
• 大規模オブジェクト検出における一般的なトレーニングおよびテストのテクニックを体系的に評価すること。
• PASCAL VOC 2012、ILSVRC 2016、COCOベンチマークで最先端の性能を達成すること。

提案手法

• 2段階目のRPNを変更した段階的RPNを提案し、エンドツーエンド学習を可能にするためにFast R-CNNの代わりに洗練されたRPNを採用する。
• 画像全体に対するRoIプーリングにより画像レベル特徴を抽出することで、グローバルコンテキストモデリングを再実装し、アーキテクチャの変更と事前学習を施す。
• RPNおよびFRCNの両成分の性能向上を目的として、ImageNet分類および検出データセットでの広範な事前学習を実施する。
• バックボーンネットワークとして、$3\times3$畳み込みによるダウンサンプリングとアイデンティティマッピングを備えたResNet-101を採用する。
• データオーグメンテーション、マルチスケールテスト、モデルアンサンブルなどの標準的なトレーニングおよびテスト技術を用いる。
• VOC 2012およびCOCOデータセットで微調整を行い、VOC 2012のバリデーションセットをトレーニングに使用しない形でCOCOを追加学習データとして活用する。

実験結果

リサーチクエスチョン

• RQ1 軽量な段階的RPNアーキテクチャは、計算コストを最小限に抑えながら、領域提案の品質を向上させることができるか？
• RQ2 事前学習を伴うグローバルコンテキストモデリングの再実装は、オブジェクト認識精度を顕著に向上させるか？
• RQ3 大規模な設定における検出性能向上に寄与する主な一般的なトレーニングおよびテストのテクニックは何か？
• RQ4 提案手法は、PASCAL VOC 2012、ILSVRC 2016、COCOベンチマークで最先端の結果を達成できるか？

主な発見

• 提案された段階的RPNは、計算コストをほとんど増加させることなく、提案品質を向上させ、全体の検出性能向上に寄与した。
• 事前学習を伴うグローバルコンテキストモデリングにより、ILSVRC 2016バリデーションセットで4.2%のmAP向上が達成された。
• PASCAL VOC 2012のテストセットでは87.9%のmAPを達成し、発表当時、単一モデルで最も高い性能を記録した。
• COCO test-stdでは36.8%のmAPを達成し、MSRAベースラインを1.8ポイント上回り、同じバックボーンを用いたFPNをも凌駕した。
• モデルアンサンブルを用いることで、ImageNet LOCの局所化誤差率は8.8%まで低下し、ILSVRC 2016で2位となった。
• VOC 2012のバリデーションセットをトレーニングに使用しない状況でも、強力な性能を維持しており、ロバストネスと一般化性能が裏付けられた。