[論文レビュー] Fast Vehicle Detection in Aerial Imagery

Jennifer Carlet, Bernard Abayowa|arXiv (Cornell University)|Sep 25, 2017

Advanced Neural Network Applications参考文献 6被引用数 14

ひとこと要約

本論文では、空中画像における高速でリアルタイムの車両検出を実現するために、ネットワークの深さを短縮し、入力解像度を空中データのアスペクト比に合わせることで最適化された変更版YOLOv2検出器を提案する。変更版モデルは、Faster R-CNNの4倍以上の速度で、ほぼ最先端の精度を達成しており、空中データセットにおいてベースラインYOLOを著しく上回りながらも、高い推論速度を維持している。

ABSTRACT

In recent years, several real-time or near real-time object detectors have been developed. However these object detectors are typically designed for first-person view images where the subject is large in the image and do not directly apply well to detecting vehicles in aerial imagery. Though some detectors have been developed for aerial imagery, these are either slow or do not handle multi-scale imagery very well. Here the popular YOLOv2 detector is modified to vastly improve it's performance on aerial data. The modified detector is compared to Faster RCNN on several aerial imagery datasets. The proposed detector gives near state of the art performance at more than 4x the speed.

研究の動機と目的

• 既存の検出器が遅すぎたり、効果が薄いため、空中画像におけるリアルタイムで高精度な車両検出の欠如に対処すること。
• 地上視点を想定して設計されたYOLOv2の性能を、空中画像における小さな、コントラストが低い車両に対して向上させること。
• 多様な空中データセットで高い精度と再現率を維持しながら、ほぼリアルタイムの推論速度を達成すること。
• マルチスケールでアスペクト比が変化する空中画像に対応するため、ネットワークアーキテクチャと入力解像度を最適化すること。
• 特定の空中データセットにおいて、Faster R-CNNに比べて速度で優位であることを実証すること。

提案手法

• 小サイズの物体の検出を向上させるために、特徴マップの解像度を向上させるためにネットワークの深さを短縮したYOLOv2を変更した。
• AFVIDやAF Building Cameraなどの空中データセットのアスペクト比に合わせて、入力画像の寸法（例：864x480）を調整した。
• AFVID、VEDAI、DLR3k、NeoVision2-Helicopterなどの複数の空中データセットで微調整を行い、一般化性能を向上させた。
• ImageNetおよびPASCAL VOCでの事前学習を経て、空中特化データで微調整するトランスファー学習を採用した。
• 長方形の入力形状を採用することで、空中視点における縦長の車両の特徴表現を改善した。
• 複数のデータセットでmAP（平均平均精度）とFPS（1秒あたりのフレーム数）を用いて、Faster R-CNNとの性能比較を行った。

実験結果

リサーチクエスチョン

• RQ1 変更版YOLOv2検出器は、空中車両検出においてリアルタイムの推論速度を達成しながらも、高い精度を維持できるか？
• RQ2 YOLOv2の深さを短縮することは、空中画像における小さな、コントラストが低い車両の検出性能にどのように影響するか？
• RQ3 入力解像度を空中データのアスペクト比に合わせることで、検出精度がどの程度向上するか？
• RQ4 多様な空中データセットにおいて、変更版YOLOv2はmAPと推論速度の両面でFaster R-CNNに比べて優れているか？
• RQ5 Faster R-CNNは密集した駐車場内の中型車両に対してなぜ性能を発揮しないのか？YOLOは重なった物体をよりよく処理できるか？

主な発見

• 864x480入力の浅いYOLOモデルは、AFVIDで76%の平均精度（AP）と87%の平均再現率（AR）を達成し、Faster R-CNNを速度と精度の両面で上回った。
• AF Building Cameraデータでは、Faster R-CNN（0.30）に比べて50%高いmAP（0.50）を達成したが、Faster R-CNNはAFVIDで学習済みであった。
• 864x480入力で13 FPSの推論速度を達成し、Faster R-CNNの3 FPSをはるかに上回る4倍以上の高速さでありながら、競争力のあるmAPを維持した。
• 864x480入力の浅いYOLOモデルは、VEDAIで61%のmAP、81%のmARを達成し、ベースラインYOLOを著しく上回り、Faster R-CNNの性能に近づいた。
• Faster R-CNNは密集したシーンにおける中型車両の検出で劣った性能を示したが、これは重なった物体の検出に失敗したためと推測される。一方、YOLOは一貫した性能を維持した。
• AFVIDおよびAF Building Cameraデータで微調整した場合、変更版YOLOモデルはAFVIDで0.76 mAP、VEDAIで0.61 mAPを達成し、複数のデータセットにわたる優れた一般化性能を示した。