[論文レビュー] Improving Object Detection With One Line of Code.

Navaneeth Bodla, Bharat Singh+2 more|arXiv (Cornell University)|Apr 14, 2017

Advanced Neural Network Applications参考文献 20被引用数 95

ひとこと要約

この論文では、非最大抑制（NMS）の単純で効果的な修正である Soft-NMS を提案する。これは、IoUの重複に基づくスコアの減衰を硬い抑制に置き換えるもので、追加の学習やハイパーパrameterを必要とせず、PASCAL VOC 2007 および MS-COCO で mAP を 1.1–1.7% 向上させる。標準NMSと同等の計算量の複雑さを維持しながら、厳密なIoUベースの抑制による誤検出を排除する。

ABSTRACT

Non-maximum suppression is an integral part of the object detection pipeline. First, it sorts all detection boxes on the basis of their scores. The detection box M with the maximum score is selected and all other detection boxes with a significant overlap (using a pre-defined threshold) with M are suppressed. This process is recursively applied on the remaining boxes. As per the design of the algorithm, if an object lies within the predefined overlap threshold, it leads to a miss. To this end, we propose Soft-NMS, an algorithm which decays the detection scores of all other objects as a continuous function of their overlap with M. Hence, no object is eliminated in this process. Soft-NMS obtains consistent improvements for the coco-style mAP metric on standard datasets like PASCAL VOC 2007 (1.7\% for both R-FCN and Faster-RCNN) and MS-COCO (1.3\% for R-FCN and 1.1\% for Faster-RCNN) by just changing the NMS algorithm without any additional hyper-parameters. Further, the computational complexity of Soft-NMS is the same as traditional NMS and hence it can be efficiently implemented. Since Soft-NMS does not require any extra training and is simple to implement, it can be easily integrated into any object detection pipeline. Code for Soft-NMS is publicly available on GitHub \url{http://bit.ly/2nJLNMu}.

研究の動機と目的

• 従来のNMSの限界、すなわち有効な重複検出でさえも破棄してしまうことによる検出漏れを是正すること。
• 追加の学習やハイパーパrameterチューニングを必要とせず、オブジェクト検出における平均平均精度（mAP）を向上させること。
• 既存のオブジェクト検出パイプラインと互換性があり、シンプルで効率的な手法を設計すること。
• NMSにおける硬い抑制を、交差領域比（IoU）に基づく連続的で微分可能なスコア減衰機構に置き換えること。

提案手法

• IoUがしきい値を超えるボックスをすべて削除するのではなく、最もスコアの高いボックスとの重複に基づく連続関数によって、それらの検出スコアを低下させる。
• 最もスコアの高いボックスが選択された後、残りのボックスに対してスコア減衰関数を再帰的に適用する。
• 減衰関数は、IoUのガウス関数または線形関数として定義され、重複度が高いほどスコアの低下が大きくなる。
• アルゴリズムは標準NMSと同等の O(n log n) の時間計算量を維持しており、効率的なデプロイが可能である。
• Soft-NMS は完全に後方互換性があり、最小限のコード変更（たった1行）で任意のオブジェクト検出器に統合可能である。
• 再学習や追加のハイパーパrameterを必要とせず、既存のモデルに対して即座に統合可能なプラグアンドプレイな手法である。

実験結果

リサーチクエスチョン

• RQ1 硬い抑制に比べ、連続的なスコア減衰機構がオブジェクト検出におけるmAPを向上させるか？
• RQ2 過剰なIoUしきい値による抑制が引き起こす誤検出を低減しつつ、計算効率を維持できるか？
• RQ3 Faster R-CNN や R-FCN といった異なる検出器に普遍的に適用可能か？
• RQ4 Soft-NMS が PASCAL VOC 2007 や MS-COCO のような標準ベンチマークに与える影響は？

主な発見

• Faster R-CNN および R-FCN ともに、PASCAL VOC 2007 で mAP が 1.7% 向上した。
• MS-COCO では、R-FCN で mAP が 1.3% 向上、Faster R-CNN で 1.1% 向上した。
• 複数の検出器にわたり一貫した性能向上を示し、広範な適用可能性を実証した。
• 追加の学習やハイパーパrameterチューニングなしに、これらの向上を達成した。
• Soft-NMS は標準NMSと同等の O(n log n) の計算量の複雑さを維持しており、効率性を保証している。
• コードは公開されており、既存の検出パイプラインへの即時統合が可能である。