[論文レビュー] Deep Learning for Generic Object Detection: A Survey

Li Liu, Wanli Ouyang+5 more|arXiv (Cornell University)|Sep 6, 2018

Advanced Neural Network Applications参考文献 311被引用数 241

ひとこと要約

ディープラーニングの進歩が一般物体検出をどのように形作ってきたかの包括的な調査で、フレームワーク、表現、提案、文脈、訓練、評価を網羅し、将来の方向性を含む。

ABSTRACT

Object detection, one of the most fundamental and challenging problems in computer vision, seeks to locate object instances from a large number of predefined categories in natural images. Deep learning techniques have emerged as a powerful strategy for learning feature representations directly from data and have led to remarkable breakthroughs in the field of generic object detection. Given this period of rapid evolution, the goal of this paper is to provide a comprehensive survey of the recent achievements in this field brought about by deep learning techniques. More than 300 research contributions are included in this survey, covering many aspects of generic object detection: detection frameworks, object feature representation, object proposal generation, context modeling, training strategies, and evaluation metrics. We finish the survey by identifying promising directions for future research.

研究の動機と目的

• ディープラーニングを用いた一般物体検出の現状を要約し、主要な研究方向を特定する。
• データセット、評価基準、問題のサブタスクに基づく方法の分類と高レベルな整理を提供する。
• 一般物体検出の進展を可能にした主要なマイルストーン、データセット、および訓練戦略を強調する。
• スケーラブルで正確かつ効率的な一般物体検出器における未解決の課題と将来の研究方向について論じる。

提案手法

• ディープラーニングの台頭以来、分野内の300件以上の貢献をレビューし、分類する。
• データセット、評価指標、文脈モデリング、および検出提案に焦点を当てた分類法を提示する。
• 従来の手作業特徴量からRCNNのような深層CNNベースの検出器へと進展を統合する。
• 精度、効率性、スケーラビリティの課題を論じ、今後の研究方向性を概説する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いた一般物体検出の主な課題と設計上の考慮事項は何か？
• RQ2 データセット、評価指標、検出フレームワークは一般物体検出の進展を支えるためにどのように進化してきたか？
• RQ3 手作業特徴量から深層学習への移行における主要なマイルストーンと方法論的転換は何か？
• RQ4 一般物体検出システムを進化させるために有望な将来の方向性は何か？

主な発見

• 2012年以降、ディープラーニングは一般物体検出の性能を劇的に向上させ、急速な進展を促した。
• 包括的な分類法は、データセット、評価、文脈モデリング、提案戦略の周りに手法を整理するのに役立つ。
• 大規模な注釈付きデータセットとGPUは、多くの物体カテゴリにわたる深層検出器の訓練に極めて重要だった。
• 進歩には、手作業特徴量からCNNベースの検出器や領域ベースのフレームワークへの移行が含まれる。
• 本調査は、精度、効率、スケーラビリティにおける残された課題を特定し、今後の研究方向を示唆する。