[論文レビュー] Joint Deep Learning for Car Detection

Seyedshams Feyzabadi|arXiv (Cornell University)|Dec 25, 2014

Advanced Neural Network Applications参考文献 23被引用数 5

ひとこと要約

本論文は、特徴抽出、パーツ変形処理、隠蔽推論、分類を1つのエンドツーエンド畳み込みニューラルネットワークに統合する共同ディープラーニングフレームワークを提案する。Gaborフィルタ初期化とデータ拡張を用いたマルチステージバックプロパゲーション戦略により、これらのコンponentsを共同で訓練することで、UIUCカー・データセットで97%の精度を達成した。これは、先行する最先端手法を6ポイント上回った。

ABSTRACT

Traditional object recognition approaches apply feature extraction, part deformation handling, occlusion handling and classification sequentially while they are independent from each other. Ouyang and Wang proposed a model for jointly learning of all of the mentioned processes using one deep neural network. We utilized, and manipulated their toolbox in order to apply it in car detection scenarios where it had not been tested. Creating a single deep architecture from these components, improves the interaction between them and can enhance the performance of the whole system. We believe that the approach can be used as a general purpose object detection toolbox. We tested the algorithm on UIUC car dataset, and achieved an outstanding result. The accuracy of our method was 97 % while the previously reported results showed an accuracy of up to 91 %. We strongly believe that having an experiment on a larger dataset can show the advantage of using deep models over shallow ones.

研究の動機と目的

• 歩行者検出に向けたOuyangらの共同ディープラーニングフレームワークを、カー検出用途に一般化すること。
• 特徴抽出、変形処理、隠蔽推論、分類のエンドツーエンド共同学習の有効性を、物体検出において評価すること。
• カー検出において、逐次的・独立的処理パイプラインと比較して、共同最適化を用いたディープラーニングの優位性を示すこと。
• データ拡張が、限られたデータセット環境下でのモデルの一般化能力と性能に与える影響を調査すること。

提案手法

• モデルは2層の畳み込み層構造を採用する。1層目はGaborフィルタ初期化された重みからバックプロパゲーションにより低レベル特徴を学習し、2層目は学習可能なパrametersと事前定義された変形マップを用いて変形モデリングを行う。
• 変形層はパーツ検出マップと重み付き変形マップ（$c_n$）を組み合わせ、合算マップ $B_p$ を生成した後、グローバルマックスプーリングを適用してパーツスコア $s_p$ を得る。
• パーツスコア $s_p$ に対して可視性推論を適用し、最終的な分類意思決定を生成する。
• マルチステージトレーニング戦略では、最初の層をGaborフィルタで初期化し、その後段階的に層を追加する。各段階で、事前に学習済みの重みを再利用し、バックプロパゲーションによりすべての層を同時に最適化する。
• データ拡張は、画像を-10°から+10°まで1°刻みで手動で回転させることで実施され、視点変化に対するロバストネス向上を図る。
• ネットワークは、ログ平均ミスレートを評価指標として使用し、同じUIUCデータセット上でAgarwalらの手法と比較した。

実験結果

リサーチクエスチョン

• RQ1 特徴学習、変形モデリング、分類を統合した共同ディープラーニングフレームワークは、逐次的・独立的処理よりカー検出で優れた性能を発揮できるか？
• RQ2 複数コンponentのエンドツーエンド共同学習は、従来のパイプライン的手法と比較して、検出精度にどのように影響するか？
• RQ3 データ拡張は、UIUCカー・データセットのような小規模オブジェクト検出データセットにおいて、性能をどの程度向上させるか？
• RQ4 共同学習アーキテクチャは、歩行者やカー以外のオブジェクトクラスに対しても一般化しやすいか？

主な発見

• 提案された共同ディープラーニングモデルは、UIUCカー・データセットで97%の検出精度を達成し、先行する最先端手法を6ポイントも上回った。
• データ拡張なしでは、モデルの平均ミスレートは23%であった。これは、視点変化に対して一般化能力に乏しいことを示している。
• -10°から+10°までの手動回転によるデータ拡張を適用した後、平均ミスレートは3%に低下し、顕著な性能向上が確認された。
• エンドツーエンドバックプロパゲーションとマルチステージトレーニングを組み合わせた共同学習アプローチにより、特徴表現とパーツ局在化が向上し、逐次的手法よりも高い精度が得られた。
• UIUCデータセットにおけるモデルの性能から、共同学習は歩行者検出にとどまらず、一般の物体検出フレームワークとしても有効である可能性が示唆された。