[論文レビュー] False Detection (Positives and Negatives) in Object Detection

Subrata Goswami|arXiv (Cornell University)|Aug 16, 2020

Advanced Neural Network Applications参考文献 5被引用数 13

ひとこと要約

本研究は、領域提案生成における量子化に起因する誤差を分析することで、物体検出における誤検出（偽陽性・偽陰性）を経験的に調査する。ラベル付きデータ、特にOpen Images 2019データセットを用いて、ラベル付けの不整合を特定し、誤検出を低減するためのデータ中心の改善策を提案する。その結果、モデル性能に深刻な影響を及えるデータ品質の問題が明らかになった。

ABSTRACT

Object detection is a very important function of visual perception systems. Since the early days of classical object detection based on HOG to modern deep learning based detectors, object detection has improved in accuracy. Two stage detectors usually have higher accuracy than single stage ones. Both types of detectors use some form of quantization of the search space of rectangular regions of image. There are far more of the quantized elements than true objects. The way these bounding boxes are filtered out possibly results in the false positive and false negatives. This empirical experimental study explores ways of reducing false positives and negatives with labelled data.. In the process also discovered insufficient labelling in Openimage 2019 Object Detection dataset.

研究の動機と目的

• 現代の物体検出パイプラインにおける偽陽性および偽陰性の根本的原因を調査すること。
• 単段階および二段階の検出器において、領域量子化が検出誤りに与える影響を分析すること。
• Open Images 2019 Object Detectionデータセットにおけるデータ品質、特にラベル付けの一貫性を評価すること。
• 改善されたラベル付けとフィルタリングを通じて、誤検出を低減するデータ中心の戦略を提案すること。
• 経験的に、データ品質の問題が誤検出誤差に顕著に寄与していることを実証すること。

提案手法

• 本研究は、物体検出器における画像領域の量子化によって生成されたバウンディングボックス提案を分析する。
• 予測されたバウンディングボックスとアノテーション済み真値との差異に注目し、ラベル付きデータを用いて検出性能を評価する。
• 著者はOpen Images 2019データセットの経験的分析を実施し、物体アノテーションにおける不整合を同定する。
• 偽陽性および偽陰性は、ラベル付けの質が低いことによる過剰セグメンテーションおよび誤分類に起因している。
• バウンディングボックスの重複度や画像間でのラベル一貫性に関する視覚的検査および統計的分析を実施する。
• 本アプローチは、誤検出の低減に向けた主な要因として、データ品質の評価を重視する。

実験結果

リサーチクエスチョン

• RQ1 領域量子化は、物体検出における偽陽性および偽陰性の発生にどのように寄与しているか？
• RQ2 Open Images 2019のような大規模データセットにおけるラベル付けの不整合は、誤検出誤差にどのように寄与しているか？
• RQ3 データ品質の向上が、物体検出器における偽陽性および偽陰性率の低減にどの程度寄与できるか？
• RQ4 二段階検出器は、より優れたフィルタリング機能を有するため、単段階検出器よりも誤検出に対してより耐性があるとされるか？
• RQ5 バウンディングボックスの重複度およびラベル一貫性の経験的分析は、体系的なデータ品質の問題を特定できるか？

主な発見

• 本研究は、特に物体境界アノテーションにおいて、Open Images 2019 Object Detectionデータセットに顕著なラベル付けの不整合が存在することを同定した。
• 偽陽性および偽陰性の多くは、領域提案の質の低い量子化およびラベル付けの一貫性の欠如に起因している。
• 分析の結果、データセットに含まれる多数のバウンディングボックスが誤ってラベル付けされているか、不適切に配置されていることが判明し、モデルの一般化性能に悪影響を与えている。
• データ品質の問題が、モデルアーキテクチャに依存しない形で、誤検出誤差の主要因であることが示された。
• ラベル付けの一貫性を向上させることで、物体検出における偽陽性および偽陰性率を顕著に低減できる可能性があることが示唆された。
• 経験的証拠から、データ中心の戦略が、アーキテクチャの改善と同等に、誤検出の低減に不可欠であることが裏付けられた。