[論文レビュー] Fast R-CNN

Ross Girshick|arXiv (Cornell University)|Apr 30, 2015

Advanced Neural Network Applications参考文献 24被引用数 1,768

ひとこと要約

Fast R-CNN は、領域間で畳み込み特徴の計算を共有することで、トレーニングと推論の両方を高速化する効率的で高精度な領域ベースの畳み込みニューラルネットワークを提案している。PASCAL VOC 2012 において、R-CNN よりも 9 倍速いトレーニングと 213 倍速いテストを達成し、VGG16 ネットワークを用いて平均平均精度（mAP）を向上させた。

ABSTRACT

This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to efficiently classify object proposals using deep convolutional networks. Compared to previous work, Fast R-CNN employs several innovations to improve training and testing speed while also increasing detection accuracy. Fast R-CNN trains the very deep VGG16 network 9x faster than R-CNN, is 213x faster at test-time, and achieves a higher mAP on PASCAL VOC 2012. Compared to SPPnet, Fast R-CNN trains VGG16 3x faster, tests 10x faster, and is more accurate. Fast R-CNN is implemented in Python and C++ (using Caffe) and is available under the open-source MIT License at this https URL.

研究の動機と目的

• 領域提案ごとの重複計算を削減することで、R-CNN のトレーニングおよび推論における非効率性を解消すること。
• R-CNN や SPPnet よりも顕著にトレーニング時間とテスト時間を短縮しつつ、検出精度を向上させること。
• 領域間で共有された畳み込み特徴を用いた、エンドツーエンドのディープネットワークのトレーニングを可能とすること。
• 実世界でのデプロイメントに適したスケーラブルで高速かつ高精度な物体検出フレームワークの開発

提案手法

• 各領域提案に対して個別に処理する代わりに、画像全体に対して一度だけ畳み込みニューラルネットワークを用いて特徴を抽出する。
• 共有された畳み込み特徴を基に、RoI（注目領域）プーリング層を用いて各領域提案から固定サイズの特徴を抽出する。
• 後続のバージョンでは選択的サーチ手法の代わりに領域提案ネットワーク（RPN）を採用しているが、本論文では事前に計算された提案を用いたオリジナルの Fast R-CNN に焦点を当てる。
• 分類とバウンディングボックス回帰を統合したマルチタスク損失関数を用いて、R-CNN ヘッドと領域提案ネットワークの共同学習を可能にする。
• エンドツーエンド最適化のため、ソフトマックス分類器にソフトマックス損失、バウンディングボックス回帰ヘッドにスムーズL1損失を用いる。
• Python および C++ を用いて Caffe 深層学習フレームワークに基づいて実装されており、高速な推論とトレーニングが可能である。

実験結果

リサーチクエスチョン

• RQ1 R-CNN スタイルの検出器において、精度を損なわずに領域ベースの物体検出を著しく高速化できるか？
• RQ2 共有された畳み込み特徴計算は、R-CNN スタイルの検出器におけるトレーニングおよび推論効率をどのように向上させるか？
• RQ3 高精度かつ高速性を維持しつつ、完全な検出パイプラインのエンドツーエンドトレーニングを達成できるか？
• RQ4 標準ベンチマークにおいて、Fast R-CNN は R-CNN や SPPnet と比べて、トレーニング速度、推論速度、mAP でどのように差をつけるか？

主な発見

• Fast R-CNN は、PASCAL VOC 2012 データセットにおいて、R-CNN よりも VGG16 ネットワークを 9 倍速くトレーニングできる。
• R-CNN よりも 213 倍速い推論速度を達成し、リアルタイム検出の可能性を著しく向上させた。
• SPPnet と比較して、VGG16 のトレーニングは 3 倍速く、テストは 10 倍速い。
• Fast R-CNN は、PASCAL VOC 2012 ベンチマークにおいて、R-CNN や SPPnet よりも高い平均平均精度（mAP）を達成した。
• 共有された畳み込み特徴を用いたエンドツーエンドトレーニングを可能とし、冗長性を低減するとともに最適化を改善した。
• MIT ライセンスの下でオープンソース化されており、Caffe を用いて一般公開されている。