[論文レビュー] LogoDet-3K: A Large-Scale Image Dataset for Logo Detection

Jing Wang, Weiqing Min+4 more|arXiv (Cornell University)|Aug 12, 2020

Advanced Image and Video Retrieval Techniques参考文献 42被引用数 9

ひとこと要約

本論文は、3,000のカテゴリ、194,261個のアノテート済みオブジェクト、158,652枚の画像を備えた、公開済みで最大規模のロゴ検出データセットであるLogoDet-3Kを紹介する。Focal LossとCIoU Lossを統合したYOLOv3ベースの手法Logo-Yoloを提案し、クラスの不均衡とバウンディングボックス回帰の課題に対処。LogoDet-3Kで55.37%のmAPを達成し、YOLOv3よりも4%高い性能を示し、他のデータセットでも優れた汎化性能を示した。

ABSTRACT

Logo detection has been gaining considerable attention because of its wide range of applications in the multimedia field, such as copyright infringement detection, brand visibility monitoring, and product brand management on social media. In this paper, we introduce LogoDet-3K, the largest logo detection dataset with full annotation, which has 3,000 logo categories, about 200,000 manually annotated logo objects and 158,652 images. LogoDet-3K creates a more challenging benchmark for logo detection, for its higher comprehensive coverage and wider variety in both logo categories and annotated objects compared with existing datasets. We describe the collection and annotation process of our dataset, analyze its scale and diversity in comparison to other datasets for logo detection. We further propose a strong baseline method Logo-Yolo, which incorporates Focal loss and CIoU loss into the state-of-the-art YOLOv3 framework for large-scale logo detection. Logo-Yolo can solve the problems of multi-scale objects, logo sample imbalance and inconsistent bounding-box regression. It obtains about 4% improvement on the average performance compared with YOLOv3, and greater improvements compared with reported several deep detection models on LogoDet-3K. The evaluations on other three existing datasets further verify the effectiveness of our method, and demonstrate better generalization ability of LogoDet-3K on logo detection and retrieval tasks. The LogoDet-3K dataset is used to promote large-scale logo-related research and it can be found at https://github.com/Wangjing1551/LogoDet-3K-Dataset.

研究の動機と目的

• 高多様性と高複雑性を備えた大規模で完全アノテート済みのロゴ検出データセットの不足に対処すること。
• カテゴリカバレッジの拡大とオブジェクトアノテーションスケールの向上により、ロゴ検出のためのより困難なベンチマークを確立すること。
• 多スケール、クラス不均衡、複雑な背景という課題に特化した、大規模ロゴ検出に適した強力なベースラインモデルLogo-Yoloの開発。
• 複数のデータセットおよびタスク（検出およびリtrieval）にわたるLogoDet-3Kの汎化能力を検証すること。

提案手法

• LogoDet-3Kは、ロゴ画像の収集、フィルタリング、158,652枚の画像にわたる194,261個のバウンディングボックスの手作業アノテーションを含むきめ細やかなパイプラインにより構築された。
• データセットには3,000種類の異なるロゴカテゴリが含まれており、ロゴタイプ、変換、背景の複雑さにおいて高い多様性を有する。
• Logo-YoloはYOLOv3に基づき、ロゴ検出におけるロングテイルのクラス不均衡を軽減するためにFocal Lossを統合した。
• CIoU LossをLogo-Yoloに統合し、特に小さなロゴや歪んだロゴのバウンディングボックス回帰精度を向上させた。
• 本手法はLogoDet-3Kで訓練・評価され、QMUL-OpenLogo、FlickrLogos-32、WebLogo-2Mの3つの既存データセットでもテストされ、汎化性能が評価された。
• アブレーションスタディにより、Focal LossとCIoU Lossの有効性が、困難なロゴインスタンスの検出性能向上に寄与することが確認された。

Figure 1: Statistics of LogoDet-3K categories and images. The abscissa represents the number of logo images, the ordinate represents the number of categories.

実験結果

リサーチクエスチョン

• RQ1 既存のロゴ検出データセットと比較して、LogoDet-3Kはスケール、多様性、アノテーション品質の点でどのように異なるか？
• RQ2 改変されたYOLOv3フレームワークは、小さなロゴ、多スケール、不均衡なロゴ検出の課題を効果的に処理できるか？
• RQ3 提案されたLogo-Yoloモデルは、新規および既存のベンチマークデータセットにおいて優れた性能と汎化能力を達成できるか？
• RQ4 LogoDet-3Kで事前学習することで、ロゴリtrievalタスクの性能はどの程度向上するか？

主な発見

• LogoDet-3Kには3,000のロゴカテゴリ、194,261個のアノテート済みオブジェクト、158,652枚の画像が含まれており、これまでで最大規模の完全アノテート済みロゴ検出データセットである。
• Logo-YoloはLogoDet-3Kで55.37%のmAPを達成し、YOLOv3よりも4%高い性能を示し、同じベンチマークで他の最先端モデルを上回った。
• 本手法は優れた汎化性能を示し、QMUL-OpenLogoからLogoDet-3Kにファインチューニングした場合、56.10%のmAPを達成し、データセット間での転送性を示した。
• FlickrLogos-32でのリtrievalタスクにおいて、ResNet101を用いてLogoDet-3Kで事前学習を施すことで、mAPが52.62%から54.17%に向上した。
• 失敗事例から、非常に小さなロゴ、隠蔽済みロゴ、または非常に類似したロゴの検出が困難であることが明らかになり、マルチラベルおよび小物検出における継続的な課題が示された。
• Focal LossとCIoU Lossの統合により、特にレアなロゴや小スケールのロゴインスタンスの検出精度が顕著に向上した。

Figure 2: Image samples from various categories of LogoDet-3K.