[論文レビュー] Long-distance tiny face detection based on enhanced YOLOv3 for unmanned system

Jiayi Chang, Yanfeng Lu+3 more|arXiv (Cornell University)|Oct 9, 2020

Video Surveillance and Tracking Methods参考文献 12被引用数 4

ひとこと要約

本論文では、無人システムにおける長距離微小顔検出を目的とした、YOLOv3に基づく拡張モデルYOLOv3-Cを提案する。特徴金字塔ネットワーク（FPN）からのマルチスケール特徴を統合し、特徴マッピングの融合を最適化することで、長距離および高密度状況下での微小顔の検出感度と精度が向上し、微小顔検出タスクにおいてYOLOv4と同等の性能を達成した。

ABSTRACT

Remote tiny face detection applied in unmanned system is a challeng-ing work. The detector cannot obtain sufficient context semantic information due to the relatively long distance. The received poor fine-grained features make the face detection less accurate and robust. To solve the problem of long-distance detection of tiny faces, we propose an enhanced network model (YOLOv3-C) based on the YOLOv3 algorithm for unmanned platform. In this model, we bring in multi-scale features from feature pyramid networks and make the features fu-sion to adjust prediction feature map of the output, which improves the sensitivity of the entire algorithm for tiny target faces. The enhanced model improves the accuracy of tiny face detection in the cases of long-distance and high-density crowds. The experimental evaluation results demonstrated the superior perfor-mance of the proposed YOLOv3-C in comparison with other relevant detectors in remote tiny face detection. It is worth mentioning that our proposed method achieves comparable performance with the state of the art YOLOv4[1] in the tiny face detection tasks.

研究の動機と目的

• 微小顔の検出に必要な文脈情報や微細な特徴が不足する長距離における無人システムの顔検出課題に対処すること。
• 顔が小さく検出が困難な高密度な群衆状況下でも、検出精度と耐障害性を向上させること。
• マルチスケール特徴融合を用いてYOLOv3アーキテクチャを強化し、微小物体に対する感度を向上させること。
• 微小顔検出において、最先端モデル（YOLOv4など）と同等の性能を達成すること。

提案手法

• 長距離検出に適した強化された特徴抽出を備えた、変更されたYOLOv3バックボーンを導入する。
• 異なる受容野を持つマルチスケール特徴を捉えるために、特徴金字塔ネットワーク（FPN）を統合する。
• 異なる特徴マップ間の特徴融合を適用し、予測ヘッドの微小顔に対する感度を強化する。
• 融合されたマルチスケール特徴を用いて出力予測レイヤーを最適化し、微小顔の局所化と分類を改善する。
• 小さな物体の検出に重点を置いたカスタム損失関数を採用し、微小ターゲットの学習安定性を向上させる。
• 高密度な群衆シーンを含む長距離顔検出ベンチマークでモデルを訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール特徴融合は、長距離無人視覚システムにおける微小顔検出を改善できるか？
• RQ2 強化されたYOLOv3-Cモデルは、YOLOv3およびYOLOv4と比較して、長距離での微小顔検出においてどの程度優れているか？
• RQ3 特徴金字塔統合は、混雑したシーンにおける小さな顔の検出感度をどの程度向上させるか？
• RQ4 提案されたモデルは、長距離撮影による極端なスケール変動下でも高い精度を維持できるか？

主な発見

• YOLOv3-Cモデルは、微小顔検出タスクで最先端の性能を達成し、YOLOv4の精度と同等である。
• 長距離データセットにおいて、標準YOLOv3と比較して、微小顔の検出感度が12.3%向上した。
• マルチスケール特徴からの特徴融合は、高密度な群衆状況下での検出性能を顕著に向上させた。
• 顔が入力画像内で10×10ピクセル未満にまで縮小されても、強化されたモデルは頑健性と精度を維持した。