[論文レビュー] Grid R-CNN Plus: Faster and Better

Xin Lu, Buyu Li+3 more|arXiv (Cornell University)|Jun 13, 2019

Advanced Neural Network Applications参考文献 8被引用数 8

ひとこと要約

Grid R-CNN Plus は、グリッドポイント固有の表現領域を採用することで、グリッドブランチの特徴マップサイズと畳み込み層を削減し、学習および推論戦略を最適化することで、より高速かつ高精度な Grid R-CNN のバージョンを実現した。COCO において、ResNet-50-FPN を用いて 40.4 mAP を達成し、ベースライン比 3.0 ポints 高く、Faster R-CNN FPN と同等の推論速度を維持した。

ABSTRACT

Grid R-CNN is a well-performed objection detection framework. It transforms the traditional box offset regression problem into a grid point estimation problem. With the guidance of the grid points, it can obtain high-quality localization results. However, the speed of Grid R-CNN is not so satisfactory. In this technical report we present Grid R-CNN Plus, a better and faster version of Grid R-CNN. We have made several updates that significantly speed up the framework and simultaneously improve the accuracy. On COCO dataset, the Res50-FPN based Grid R-CNN Plus detector achieves an mAP of 40.4%, outperforming the baseline on the same model by 3.0 points with similar inference time. Code is available at https://github.com/STVIR/Grid-R-CNN .

研究の動機と目的

• Grid R-CNN の高い計算コストを低減しつつ、高い局在精度を維持または向上すること。
• すべてのグリッドポイントに同一の大規模な表現領域を用いることによるグリッドブランチの非効率性を解消すること。
• 学習および推論パイプラインを最適化し、精度を損なわず、速度と耐障害性を向上させること。
• 元の Grid R-CNN よりも高速な推論時間を達成しながら、平均平均精度（mAP）を著しく向上させること。

提案手法

• 各グリッドポイントが元のヒートマップの最も確信度の高い 1/4 の領域のみを監視に用いるグリッドポイント固有の表現領域を導入し、特徴マップサイズと計算量を削減する。
• グリッドブランチの特徴マップ解像度を 14×14 から 7×7 にダウンサンプリングし、計算コストを削減しながらも局在精度を維持する。
• 特徴統合モジュール内の3つの連続した畳み込み層を、パrameter数と FLOPs を削減するための1つの 5×5 深度可分畳み込みに置き換える。
• 1枚あたりの正例候補数の制限ではなく、2枚の画像にわたって最大192個の正例候補をサンプリングする「画像間サンプリング戦略」を採用し、学習中の特徴分布の安定化を図る。
• 推論時に2回目の非最大抑制（NMS）処理を削除し、IoU閾値 0.3 およびスコア閾値 0.03 の1回の NMS のみを用いることで、推論速度を向上させる。
• グリッドブランチでグループ正則化を採用し、グループ数をグリッドポイント数の倍数（例：3×3 グリッドでは 36）に設定することで、学習の安定性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 Grid R-CNN の計算コストを、局在精度を劣化させることなく著しく低減できるか？
• RQ2 グリッドポイント固有の表現領域を用いることで、特徴の効率性と局在性能にどのような影響を与えるか？
• RQ3 グリッドブランチの解像度と深さを低減することで、mAP と推論速度にどのような影響を与えるか？
• RQ4 画像間サンプリング戦略は、正例サンプルの不均衡な分布がある状況でも、学習の安定性と検出性能を向上させられるか？
• RQ5 推論時に2回目の NMS を削除しても、性能は劣化せず、著しく推論速度が向上するか？

主な発見

• Grid R-CNN Plus は、ResNet-50-FPN を用いて COCO minival で 40.4 mAP を達成し、同じバックボーンを用いた元の Grid R-CNN と比較して 3.0 ポイントの向上を達成した。
• TITAN Xp GPU では 1枚あたり 0.11 秒の推論時間で実行され、Faster R-CNN FPN（0.09 秒）と同等の速度でありながら、mAP で著しく優れている。
• ResNet-101-FPN を用いる場合、Grid R-CNN Plus は 42.0 mAP を達成し、元の Grid R-CNN よりも 0.7 ポイント高い。推論時間は 0.13 秒で、元のモデルの 0.29 秒と比較して短い。
• グリッドポイント固有の表現領域の導入により、有効な監視領域が 75% 減少し、特徴計算が高速化され、局在精度も向上した。
• 解像度の低減（7×7）、深さ可分畳み込み、最適化された NMS 戦略の組み合わせにより、元の Grid R-CNN と比較して推論時間が 55% 減少した。
• 画像間サンプリング戦略により、画像間での正例分布のバランスが取れ、学習の安定性が向上し、一般化性能と mAP の向上に寄与した。