[論文レビュー] Deep Active Learning for Remote Sensing Object Detection

Zhenshen Qu, Jingda Du+3 more|arXiv (Cornell University)|Mar 17, 2020

Machine Learning and Algorithms参考文献 11被引用数 12

ひとこと要約

本論文は、分類と回帰の不確実性を組み合わせることで、最も情報量の多い画像を選択する、リモートセンシング物体検出のための新しい不確実性ベースのアクティブラーニングフレームワークを提案する。クラスの不均衡とオブジェクト数の重み付けを組み込むことで、サンプル効率を向上させる。CenterNetを用いたDOTAデータセットにおいて、訓練画像の50%のみを用いてフルラベル付き学習の性能に達し、55%のデータと最も確信のないサンプルへの重み付けを組み合わせることで、フルラベル付き学習を上回る性能を達成した。

ABSTRACT

Recently, CNN object detectors have achieved high accuracy on remote sensing images but require huge labor and time costs on annotation. In this paper, we propose a new uncertainty-based active learning which can select images with more information for annotation and detector can still reach high performance with a fraction of the training images. Our method not only analyzes objects' classification uncertainty to find least confident objects but also considers their regression uncertainty to declare outliers. Besides, we bring out two extra weights to overcome two difficulties in remote sensing datasets, class-imbalance and difference in images' objects amount. We experiment our active learning algorithm on DOTA dataset with CenterNet as object detector. We achieve same-level performance as full supervision with only half images. We even override full supervision with 55% images and augmented weights on least confident images.

研究の動機と目的

• リモートセンシング物体検出のための深層畳み込みニューラルネットワーク（CNN）をトレーニングする際の高いアノテーションコストを低減すること。
• 注釈の対象となる最も情報量の多い画像を選択することで、サンプル効率を向上させること。
• アクティブラーニングにおけるインスタンスレベルの重み付けを通じて、リモートセンシングデータセットのクラスの不均衡とオブジェクト数の変動を是正すること。
• フルラベル付き学習に比べてはるかに少ないアノテート済み画像で高い検出性能を達成すること。

提案手法

• 本手法は、分類と回帰の不確実性を組み合わせた二重の不確実性指標を用い、最も情報量の多いサンプルを特定する。
• クラスの不均衡に対処するためのインスタンスレベルの重みと、画像間でのオブジェクト数の変動を補正するための別の重みを導入する。
• 最も確信のないサンプルを優先して注釈対象とし、希少またはスパarsなオブジェクトからの学習を強化するための追加的重み付けを実施する。
• アクティブラーニングのループは、不確実性スコアに基づいて画像を繰り返し選択し、新たに注釈が付けられたデータで検出器を再トレーニングする。
• 本手法は、DOTAベンチマークでCenterNetを物体検出器として用いて評価される。
• モデルの不確実性とデータセット固有の分布的課題に基づいて、動的にサンプリング戦略を調整する。

実験結果

リサーチクエスチョン

• RQ1 不確実性ベースのアクティブラーニングは、リモートセンシングにおける高い検出精度を維持しつつ、アノテーションコストを低減できるか？
• RQ2 分類と回帰の不確実性を組み合わせることで、リモートセンシング物体検出におけるサンプル選択がどのように向上するか？
• RQ3 インスタンスレベルの重み付けによって、クラスの不均衡と変動するオブジェクト密度は、どの程度軽減可能か？
• RQ4 部分ラベル付き学習におけるアクティブラーニングは、モデル性能の面でフルラベル付きベースラインを上回ることができるか？

主な発見

• 提案手法は、DOTAデータセットにおいて、訓練画像の50%のみを用いて、フルラベル付き学習と同等の性能を達成した。
• 訓練データの55%と、最も確信のないサンプルへの重み付けを組み合わせた場合、モデルはフルラベル付きベースラインを上回った。
• 回帰不確実性の統合により、外れ値の予測を特定・優先し、モデルのロバスト性が向上した。
• クラスの不均衡とオブジェクト数の重み付けは、長尾型リモートセンシングデータセットにおける学習効率を顕著に向上させた。
• アクティブラーニング戦略により、アノテーション作業の負荷を軽減しつつ、検出mAPを維持または向上させた。