[論文レビュー] Dynamic Tiling: A Model-Agnostic, Adaptive, Scalable, and Inference-Data-Centric Approach for Efficient and Accurate Small Object Detection

Son The Nguyen, Theja Tulabandhula+1 more|arXiv (Cornell University)|Sep 20, 2023

Advanced Neural Network ApplicationsComputer Science被引用数 3

ひとこと要約

Dynamic Tilingは、動的重複率とタイル最小化機構を用いるモデルに依存しない、推論データ中心の小物体検出アプローチを提案する。初期の重複なし検出に基づいて重複率を動的に調整し、大・小物体のフィルタリング機構を適用することで、均一なタイリング手法よりも少ない前方伝搬回数で、最先端のmAP@0.5s性能を達成する。

ABSTRACT

We introduce Dynamic Tiling, a model-agnostic, adaptive, and scalable approach for small object detection, anchored in our inference-data-centric philosophy. Dynamic Tiling starts with non-overlapping tiles for initial detections and utilizes dynamic overlapping rates along with a tile minimizer. This dual approach effectively resolves fragmented objects, improves detection accuracy, and minimizes computational overhead by reducing the number of forward passes through the object detection model. Adaptable to a variety of operational environments, our method negates the need for laborious recalibration. Additionally, our large-small filtering mechanism boosts the detection quality across a range of object sizes. Overall, Dynamic Tiling outperforms existing model-agnostic uniform cropping methods, setting new benchmarks for efficiency and accuracy.

研究の動機と目的

• 均一なタイリングによる小物体検出の非効率性と不正確さを解消するため、動的重複率を導入すること。
• 検出品質を損なわず、推論中の計算負荷を低減すること。
• 多様な運用環境において手作業による再キャリブレーションを不要にする。
• 大・小物体の両方の検出精度を、大・小フィルタリング機構によって向上させること。
• データ処理に焦点を当てた推論データ中心のパラダイムを確立すること。

提案手法

• 非重複タイル上で最初の推論を実行し、ベース検出を生成することで、動的重複率を決定する。
• 初期検出の信頼度と空間的文脈に基づいて、各タイルごとに動的重複率を計算し、断片化された物体を解消する。
• 重複するパッチを必要に応じてのみ集約することで、重複した前方伝搬を最小化するタイル最小化機構を導入する。
• 複数のパッチおよびフル画像からの検出を統合する大・小フィルタリング機構により、局所化精度を向上させ、誤検出を低減する。
• モデルに依存せず、推論時のみで動作するため、トレーニングやモデルアーキテクチャの変更が不要である。
• 融合処理後に非最大抑制（NMS）を適用し、高信頼度の検出を保持しながら予測を統合する。

実験結果

リサーチクエスチョン

• RQ1 固定率の均一タイリングと比較して、動的重複率は小物体検出の精度を向上させるか？
• RQ2 知能的なタイル集約により前方伝搬回数を削減することで、推論効率が維持または向上するか？
• RQ3 モデルに依存せず推論データ中心のアプローチは、アーキテクチャの変更なしに、既存の均一クロッピング手法を上回るか？
• RQ4 大・小フィルタリング機構は、小物体および大物体の両方の検出断片化を効果的に解消するか？
• RQ5 Dynamic Tilingは、再キャリブレーションなしに、多様な運用環境にどの程度適応できるか？

主な発見

• Dynamic Tilingは、最先端のmAP@0.5s性能を達成し、既存のモデルに依存しない均一クロッピング手法を著しく上回る。
• 重複するタイルにおける冗長な推論を知的に最小化することで、物体検出モデルの前方伝搬回数を削減する。
• 動的重複率は、特にタイル境界付近の小物体に対して、断片化された検出を効果的に解消する。
• 大・小フィルタリング機構により、大物体で複数のタイルにまたがるような場合を含め、あらゆる物体サイズの検出品質が向上する。
• 再キャリブレーションや再トレーニングが不要なことから、異なる環境への高い適応性を示す。
• 総じて、Dynamic Tilingは、リアルタイム推論シナリオにおける小物体検出の効率性と精度の両面で、新たなベンチマークを確立する。