[論文レビュー] Convolutional Channel Features For Pedestrian, Face and Edge Detection.

Bin Yang, Junjie Yan+2 more|arXiv (Cornell University)|Apr 28, 2015

Advanced Neural Network Applications参考文献 44被引用数 16

ひとこと要約

本論文では、事前学習済みCNN特徴量とブースティングフォレストモデルを統合することで、歩行者、顔、エッジ、オブジェクト候補の各タスクにおいて、効率的で高性能な検出を実現する統合フレームワーク「畳み込みチャネル特徴量（CCF）」を提案する。CNNの重みを微調整せずに、低レベルのCNN特徴量を軽量なアンサンブルモデルに転送することで、エンドツーエンドのディープラーニング手法と比較して、計算コストを低減しつつ高い精度を達成する。

ABSTRACT

Deep learning methods are powerful tools but often suffer from expensive computation and limited flexibility. An alternative is to combine light-weight models with deep representations. As successful cases exist in several visual problems, a unified framework is absent. In this paper, we revisit two widely used approaches in computer vision, namely filtered channel features and Convolutional Neural Networks (CNN), and absorb merits from both by proposing an integrated method called Convolutional Channel Features (CCF). CCF transfers low-level features from pre-trained CNN models to feed the boosting forest model. With the combination of CNN features and boosting forest, CCF benefits from the richer capacity in feature representation compared with channel features, as well as lower cost in computation and storage compared with end-to-end CNN methods. We show that CCF serves as a good way of tailoring pre-trained CNN models to diverse tasks without fine-tuning the whole network to each task by achieving state-of-the-art performances in pedestrian detection, face detection, edge detection and object proposal generation.

研究の動機と目的

• 視覚的検出タスクにおけるエンドツーエンドのディープラーニングモデルの高い計算コストと柔軟性の欠如を解決すること。
• 歩行者、顔、エッジ、オブジェクト候補の多様な検出タスクを、1つの柔軟なフレームワークで統一すること。
• 事前学習済みCNNの豊富な特徴表現を活用しつつ、軽量なブースティングフォレストによって推論コストを低く保つこと。
• CNNのタスク固有の微調整を不要にするために、統一されたパイプラインにより事前学習済み特徴量を新しいタスクに適合させること。

提案手法

• CCFは、ネットワーク重みを微調整せずに、事前学習済み畳み込みニューラルネットワーク（CNN）から低レベル特徴量を抽出する。
• これらの特徴量はチャネル単位の変換を経て、畳み込みチャネル特徴量（CCF）を形成し、空間的および階層的情報を保持する。
• 得られたCCF特徴量は、分類および回帰タスク用のブースティングフォレストモデル（例：XGBoostやLightGBM）に供給される。
• ブースティングフォレストは、CNNから得られる豊富で転送可能な特徴量を用いて、タスク固有の意思決定境界を学習し、効率的な推論を可能にする。
• CNNを固定し、上位のブースティングコンponentのみを訓練することで、エンドツーエンド学習を回避する。
• 同じ事前学習済みCNNを再利用し、特徴量転送によって最終分類器ヘッドのみをタスクに応じて適応させることで、複数のタスクをサポートする。

実験結果

リサーチクエスチョン

• RQ1 タスク固有の微調整なしに、事前学習済みCNNから特徴量を多様な検出タスクに効果的に転送できる統合フレームワークは、実現可能か？
• RQ2 エンドツーエンドCNNと比較して、CNN特徴量とブースティングフォレストを統合することの精度および計算効率への影響は？
• RQ3 深層ネットワークからの低レベル特徴量は、軽量モデルが検出タスクに効果的に活用できるか？
• RQ4 提案されたCCFフレームワークは、歩行者、顔、エッジ検出を含む複数の検出ベンチマークで最先端の性能を達成するか？
• RQ5 計算コストおよびストレージのオーバーヘッドを低く保ちながら、異なる視覚的検出タスクに一般化可能か？

主な発見

• CCFは、事前学習済みCNNの微調整なしに、歩行者検出ベンチマークで最先端の性能を達成した。
• エンドツーエンドCNNと比較して、計算コストおよびストレージコストを顕著に低減しつつ、高い精度を維持した。
• エッジ検出およびオブジェクト候補生成において、従来のチャネル特徴量および既存の軽量モデルを上回った。
• 同じ事前学習済みCNNを再利用し、ブースティングフォレストコンponentのみを訓練することで、新しい検出タスクへの迅速な適応が可能になった。
• CNN特徴量とブースティングフォレストの統合により、チャネル特徴量単体よりも優れた特徴表現が得られた。
• 歩行者、顔、エッジ検出を含む多様な視覚的検出タスクにおいて、CCFは一貫した性能向上を示し、優れた一般化性能を示した。