[論文レビュー] ChainerCV: a Library for Deep Learning in Computer Vision

Yusuke Niitani, Toru Ogawa+2 more|arXiv (Cornell University)|Aug 28, 2017

Advanced Neural Network Applications参考文献 10被引用数 18

ひとこと要約

ChainerCV は、Faster R-CNN や SSD、SegNet といった最先端のモデルを高品質で再現可能に実装するためのディープラーニングライブラリであり、発表された性能と一致する訓練コードを保証する。Chainer および CuPy に基づいて構築されており、一貫したデータ処理、可視化、評価ツールを備えた柔軟で GPU アクセelerated な訓練および推論を可能にする。研究開発用途に最適である。

ABSTRACT

Despite significant progress of deep learning in the field of computer vision, there has not been a software library that covers these methods in a unifying manner. We introduce ChainerCV, a software library that is intended to fill this gap. ChainerCV supports numerous neural network models as well as software components needed to conduct research in computer vision. These implementations emphasize simplicity, flexibility and good software engineering practices. The library is designed to perform on par with the results reported in published papers and its tools can be used as a baseline for future research in computer vision. Our implementation includes sophisticated models like Faster R-CNN and SSD, and covers tasks such as object detection and semantic segmentation.

研究の動機と目的

• 一貫したパフォーマンスを実現する、高品質なソフトウェアライブラリが、ディープラーニングベースのコンピュータビジョン手法を統合的かつ再現可能に実装する欠如を是正すること。
• 複雑なビジョンモデルの訓練およびデプロイメントに、シンプルで柔軟かつ十分にドキュメント化されたインターフェースを提供することで、研究者や開発者の参入障壁を低減すること。
• 訓練コードが元の論文と同等のパフォーマンスを達成することを保証し、再現可能性を確保するとともに、今後の研究の信頼できるベースラインを提供すること。
• オブジェクト検出やセマンティックセグメンテーションなどのタスクにおいて、データローディング、訓練、評価、可視化を含むエンドツーエンドのワークフローを支援すること。
• ロボットicsパイプラインなどの大規模システムへの統合を容易にするために、ビジョンアルゴリズム用のモジュラーで再利用可能なコンponentsを提供すること。

提案手法

• Chainer および CuPy を活用し、NumPy に似た構文と自動微分を備えた GPU アクセelerated 計算を実現する。
• 画像を RGB 形式の (C, H, W) 配列として表現する統一されたデータインターフェースを提供し、モデル間での一貫性を確保する。
• 標準データセット（PASCAL VOC、CamVid）と標準的なハイパーパramータを用いて、Faster R-CNN、SSD300/512、SegNet の訓練パイプラインを実装する。
• 訓練中にランダムスケーリングやカラーチャンジングなどのデータオーグメンテーションおよび前処理を、TransformDataset を用いて適用する。
• オブジェクト検出およびセグメンテーションタスク用の評価指標（mAP、ピクセル精度、平均ピクセル精度、平均IoU）を統合する。
• 予測値と正解ラベルを入力画像上に描画する可視化ツールを提供し、モデルの分析やデバッグを可能にする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングライブラリは、オブジェクト検出およびセマンティックセグメンテーション分野における、発表済みの最先端モデルの性能を再現する訓練コードを提供可能か？
• RQ2 ソフトウェアライブラリは、高性能を維持しつつ、コンピュータビジョン研究における使いやすさと再現可能性をどのように向上できるか？
• RQ3 統一的でモジュラーなライブラリは、データローディング、訓練、評価、可視化を含む、複雑なビジョンパイプラインをどの程度サポートできるか？
• RQ4 Faster R-CNN や SSD といった高度なモデルのリファレンス実装を、ディープラーニング経験が限られた研究者にとっても利用可能かつ信頼できるものにできるか？
• RQ5 複数のベンチマークおよびモデルをカバーする際、ライブラリの訓練実装のパフォーマンスは、元の論文で報告された結果と比べてどの程度の差異を示すか？

主な発見

• VGG-16 を用いた ChainerCV における Faster R-CNN の実装は、PASCAL VOC 2007 テストで 70.5% の mAP を達成し、元の論文で報告された 69.9% と一致した。
• SSD512 実装は 80.1% の mAP を達成し、元の論文の報告値 79.5% をわずかに上回った。
• SSD300 実装は、元の論文の mAP 77.5% と一致した。
• SegNet 実装は、CamVid で 82.8% のピクセル精度、67.1% の平均ピクセル精度、47.2% の平均IoU を達成し、元の論文の結果（82.7%、62.3%、46.3%）を上回った。
• 評価されたすべてのモデルにおいて、ライブラリの訓練コードは発表済みのパフォーマンスを一貫して再現、あるいはわずかに上回ることを示し、高い再現可能性を実証した。
• CuPy の使用により、最小限のセットアップオーバーヘッドで効率的な GPU 計算が可能となり、ライブラリのモジュラー設計のおかげで大規模なソフトウェアシステムへのシームレスな統合が可能になった。