[論文レビュー] Improved Techniques For Weakly-Supervised Object Localization

Junsuk Choe, Joo Hyun Park+1 more|arXiv (Cornell University)|Feb 22, 2018

Advanced Neural Network Applications参考文献 27被引用数 5

ひとこと要約

本稿では、GoogLeNet Resize (GR) データ拡張と最適化されたトレーニング設定を用いた、弱教師付きオブジェクト検出（WSOL）の改善手法を提案する。これにより、最先端手法に対してトップ1検出精度が21.4–37.3%向上した。本手法は、入力画像を積極的にクロップおよびリサイズすることで、識別性が低いオブジェクト部の特徴学習を強化する。さらに、小規模なバッチサイズと深層ネットワークを組み合わせることで、既存手法を上回る性能を達成する。

ABSTRACT

We propose an improved technique for weakly-supervised object localization. Conventional methods have a limitation that they focus only on most discriminative parts of the target objects. The recent study addressed this issue and resolved this limitation by augmenting the training data for less discriminative parts. To this end, we employ an effective data augmentation for improving the accuracy of the object localization. In addition, we introduce improved learning techniques by optimizing Convolutional Neural Networks (CNN) based on the state-of-the-art model. Based on extensive experiments, we evaluate the effectiveness of the proposed approach both qualitatively and quantitatively. Especially, we observe that our method improves the Top-1 localization accuracy by 21.4 - 37.3% depending on configurations, compared to the current state-of-the-art technique of the weakly-supervised object localization.

研究の動機と目的

• 従来のWSOL手法が物体の識別性の高い部分にのみ局所化するという限界を是正し、不完全なバウンディングボックスカバレッジを回避すること。
• Hide-and-Seek (HnS) よりもより積極的なデータ拡張技術を導入することで、局所化精度を向上させること。
• バッチサイズとネットワークの深さがWSOL性能に与える影響を調査し、より良い一般化性能を得るためのトレーニング設定を最適化すること。
• GR拡張がHnSを上回ることを示し、GRと小規模バッチサイズおよび深層ネットワークを組み合わせることで、優れた局所化結果が得られることを実証すること。

提案手法

• 本稿では、画像パッチをランダムにクロップし、元の入力サイズにリサイズするという新しいデータ拡張技術として、GoogLeNet Resize (GR) を提案する。これによりトレーニングの多様性が向上し、モデルが識別性が低い部分からも学習するよう強制される。
• 画像ラベルのみを用いてトレーニングされた、プレアクティベーション型ResNetアーキテクチャを採用し、クラス活性マッピング（CAM）を用いて局所化ヒートマップを生成する。
• バッチサイズ（32, 128, 256）とネットワークの深さ（18層および34層）が局所化性能に与える影響を体系的に評価することで、トレーニングを最適化する。
• CAMヒートマップに対して後処理を適用し、バウンディングボックスを生成することで、ベースラインおよび最先端手法と直接比較可能にする。
• アブレーションスタディを実施し、GRとHnSの相互作用を評価した結果、両者は互いに排他的であり、GR単体で最も優れた性能を示した。
• 256バッチおよび18層設定でチューニングされた固定ハイパーパramータ設定を用い、その後、異なるバッチサイズおよび深さでの一般化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 GoogLeNet Resize (GR) データ拡張は、最先端のHide-and-Seek (HnS) 手法よりも弱教師付きオブジェクト検出で優れているか？
• RQ2 バッチサイズは、CAMに基づく局所化の精度にどのように影響するか、特にWSOLの文脈において。
• RQ3 同じトレーニングプロトコルを用いた場合、ネットワークの深さを増加させること（例：18層から34層に）が局所化性能を向上させるか？
• RQ4 GRとHnSは補完的か、それとも、対立するデータ拡張戦略のため、併用すると性能が劣化するか？

主な発見

• 256バッチサイズおよび34層ResNetを用いた場合、GoogLeNet Resize (GR) はトップ1局所化精度36.00%を達成し、HnS（29.72%）およびCAM（27.50%）を21.4–37.3%上回った。
• 提案手法は、HnSよりもGT既知の局所化精度を7%、トップ1局所化精度を25%向上させ、ResNet34で最高で57.82%の結果を達成した。
• 小規模バッチサイズ（例：32）は、すべての手法で10–15%の性能向上をもたらし、WSOLにおける一般化性能の向上に寄与することが示された。
• より深いネットワーク（34層）は、浅いネットワーク（18層）よりも高い局所化精度を示し、バッチサイズ32およびResNet18を用いた場合、トップ1Locは35.94%であった。
• HnSとGRを同時に適用すると性能が劣化し、両者が互いに排他的であることが示された。GR単体が優れている。
• 可視化結果では、GRベースのヒートマップがCAMやHnSよりも物体全体をよりよくカバーし、正解バウンディングボックスに近い形状を示した。