[論文レビュー] Learning Gaussian Maps for Dense Object Detection

Sonaal Kant|arXiv (Cornell University)|Apr 24, 2020

Advanced Neural Network Applications参考文献 28被引用数 5

ひとこと要約

本論文では、レティナネットにおけるマルチタスク学習アプローチを提案し、密度の高いオブジェクト検出の性能向上を図るためにガウスマップを補助タスクとして導入している。ピクセルごとのオブジェクト存在確率マップを予測するガウスデコーダーまたはガウスレイヤーを導入することで、混雑したシーンにおける局所化精度が向上し、SKU110Kデータセットにおいてベースラインレティナネット比で6%および5%のmAP向上を達成した。

ABSTRACT

Object detection is a famous branch of research in computer vision, many state of the art object detection algorithms have been introduced in the recent past, but how good are those object detectors when it comes to dense object detection? In this paper we review common and highly accurate object detection methods on the scenes where numerous similar looking objects are placed in close proximity with each other. We also show that, multi-task learning of gaussian maps along with classification and bounding box regression gives us a significant boost in accuracy over the baseline. We introduce Gaussian Layer and Gaussian Decoder in the existing RetinaNet network for better accuracy in dense scenes, with the same computational cost as the RetinaNet. We show the gain of 6\% and 5\% in mAP with respect to baseline RetinaNet. Our method also achieves the state of the art accuracy on the SKU110K \cite{sku110k} dataset.

研究の動機と目的

• 類似したオブジェクトが密に配置された状況で、重複するバウンディングボックスや局所化精度の低下が生じる密度の高いオブジェクト検出の課題に対処すること。
• 高密度の小売・スーパー環境におけるオブジェクト検出器の汎化性能およびロバスト性を向上させること。
• マルチタスク学習を用いて、密度の高いシーンにおける前景・背景クラスのアンバランスとスケールばらつきの問題を克服すること。
• アンカーラーニングをガイドし、境界予測を改善するための新しい補助タスクとして、ガウスマップの学習を導入すること。
• 推論コストを増加させることなく、SKU110Kおよびその他の食料品関連データセットで最先端の性能を達成すること。

提案手法

• レティナネットのバックボーンと共有可能なガウスデコーダーネットワークを導入し、低解像度のガウスヒートマップを予測する別個のデコーダーヘッドを追加する。
• 標準的なデコーダーを代替する軽量なガウスレイヤーを共有デコーダーの上に設置したガウスレイヤーネットワークを設計し、パラメータ数を削減しながらも性能を維持する。
• 分類、バウンディングボックス回帰、および新しいガウスマップ損失を組み合わせたマルチタスク損失を用いて、ネットワークをエンドツーエンドで訓練する。
• 分類にはフォーカル損失、回帰にはスムーズL1損失を用い、ヒートマップ予測にはピクセル単位のガウスクロスエントロピー損失を導入する。
• オブジェクトの中心領域以外の領域に対しては低い存在確率を割り当てることで、アンカーオブジェクトが真のオブジェクト中心に集中し、誤検出を低減する。
• 特徴の共有と軽量な追加部の導入により、ベースラインレティナネットと同等の計算コストを維持する。

実験結果

リサーチクエスチョン

• RQ1 ガウスマップ予測を含むマルチタスク学習は、密に配置されたシーンにおけるオブジェクト検出精度を向上させることができるか？
• RQ2 ピクセル単位のオブジェクト存在確率マップを学習することで、重複するバウンディングボックスを低減し、混雑したシーンにおける局所化精度が向上するか？
• RQ3 パラメータ数を削減した軽量なガウスレイヤーが、完全なデコーダーヘッドに代わって性能を維持または向上させることができるか？
• RQ4 SKU110KやWebMarketなどのベンチマークデータセットにおいて、提案手法は最先端の検出器と比較してどのように性能を発揮するか？
• RQ5 Holoselectaのようなデータセットでは性能が低下する理由は何か？スケールに配慮した訓練によりこれを是正できるか？

主な発見

• ガウスレイヤーネットワークは、SKU110Kデータセットにおいてベースラインレティナネット比で6%のmAP向上を達成し、mAPは0.506に到達した。
• ガウスデコーダーネットワークは、レティナネット比で5%のmAP向上を達成し、SKU110KでのmAPは0.506に到達した。これは、以前の最先端手法比で3%の向上である。
• WebMarketデータセットでは、ガウスレイヤーモデルがmAP 0.403を達成し、以前の最先端手法（0.383）比で2%の向上を示した。
• CAPG-GPデータセットでは、ガウスレイヤーモデルがmAP 0.510を達成し、以前の最先端手法（0.431）比で7.4%の相対的向上を示した。
• ガウスレイヤーは、Grocery Products や CAPG-GP のような密度が低いデータセットにおいて顕著な性能向上を示したが、Holoselecta ではスケールばらつきと画像サイズの多様性のため性能が低下した。
• ガウスレイヤーは背景の誤認識を低減させ、アンカーの品質を向上させる。定性的な結果から、重なったオブジェクトをより正確に区別できていることが示された。