[論文レビュー] Knowledge-based Recurrent Attentive Neural Network for Small Object Detection

Kai Yi, Zhiqiang Jian+3 more|arXiv (Cornell University)|Mar 13, 2018

Advanced Neural Network Applications被引用数 4

ひとこと要約

本稿では、ドメイン知識と特徴注目機構を活用して画像の重要な特徴に焦点を当てることで、自動運転における小サイズ物体検出を向上させる知識ベースの再帰的アテンションニューラルネットワーク、KB-RANNを提案する。動的特徴選択とパrameter強化により、KITTIおよびCOCOデータセットにおける検出精度と速度が向上し、複雑でごみだらけのシーンでも優れた性能を示す。

ABSTRACT

At present, the performance of deep neural network in general object detection is comparable to or even surpasses that of human beings. However, due to the limitations of deep learning itself, the small proportion of feature pixels, and the occurence of blur and occlusion, the detection of small objects in complex scenes is still an open question. But we can not deny that real-time and accurate object detection is fundamental to automatic perception and subsequent perception-based decision-making and planning tasks of autonomous driving. Considering the characteristics of small objects in autonomous driving scene, we proposed a novel method named KB-RANN, which based on domain knowledge, intuitive experience and feature attentive selection. It can focus on particular parts of image features, and then it tries to stress the importance of these features and strengthenes the learning parameters of them. Our comparative experiments on KITTI and COCO datasets show that our proposed method can achieve considerable results both in speed and accuracy, and can improve the effect of small object detection through self-selection of important features and continuous enhancement of proposed method, and deployed it in our self-developed autonomous driving car.

研究の動機と目的

• 自動運転で一般的な複雑で現実的なシーンにおける小サイズ物体検出という、長年の課題に対処すること。
• ドメイン固有の知識と直感的な視覚的経験を深層学習モデルに統合することで、検出性能を向上させること。
• アテンション機構を通じて、重要特徴を動的に選択・強化する手法を開発すること。
• 自律走行車両への実装に適したリアルタイムかつ高精度な物体検出を達成すること。
• 小サイズ物体検出におけるぼやけ、隠蔽、低解像度特徴に対するモデルの頑健性を向上させること。

提案手法

• KB-RANNは、ドメイン知識と直感的経験を再帰的ニューラルネットワークアーキテクチャに統合し、特徴学習をガイドする。
• 学習された重要度に基づいて、特徴マップの顕著な領域に焦点を当てるアテンション機構を採用する。
• 繰り返し特徴表現を精錬し、時間経過とともに重要な特徴を強調する再帰的構造を用いる。
• 訓練中に選択された特徴を優先するパrameter更新により、特徴の重要度を強化する。
• 自己選択による重要な特徴の特定と、反復的精錬による継続的改善を可能にする。
• リアルタイム推論と自律走行車両プラットフォームへのデプロイを想定したアーキテクチャ設計である。

実験結果

リサーチクエスチョン

• RQ1 ドメイン知識と直感的な視覚的経験を、小サイズ物体検出のための深層学習モデルに効果的に統合する方法は何か？
• RQ2 アテンション機構は、複雑なシーンにおける小サイズ物体の特徴表現をどの程度向上させられるか？
• RQ3 再帰的アテンション機構は、推論速度を犠牲にせずに検出精度を向上させられるか？
• RQ4 KB-RANNは、KITTIやCOCOといった標準ベンチマークで小サイズ物体検出にどの程度の性能を示すか？
• RQ5 自己教師ありの方法で、反復的精錬を通じて重要な特徴を適応的に強化できるか？

主な発見

• KB-RANNは、KITTIおよびCOCOデータセットにおける小サイズ物体検出精度を顕著に向上させた。
• 本手法は、自律走行車両システムへのデプロイに適した強力なリアルタイム推論性能を示した。
• 特徴アテンションと知識統合により、小サイズ、隠蔽、ぼやけた物体の表現学習が改善された。
• 再帰的アテンション機構により、特徴重要度の継続的精錬が可能となり、モデルの頑健性が向上した。
• モデルが重要な特徴を自己選択することで、ベースライン手法に比べて検出性能が向上した。
• 本アプローチは、自社開発の自律走行車両に成功裏にデプロイされ、実用的応用性が検証された。