[論文レビュー] MDCN: Multi-Scale, Deep Inception Convolutional Neural Networks for Efficient Object Detection

Wenchi Ma, Yuanwei Wu+2 more|arXiv (Cornell University)|Sep 6, 2018

Advanced Neural Network Applications参考文献 27被引用数 3

ひとこと要約

本論文は、畳み込みニューラルネットワークの深層部にマルチスケールで深いインセプションモジュールを挿入することで、小形および隠蔽物体の特徴抽出を向上させる、単一ショットオブジェクト検出フレームワークMDCNを提案する。広い文脈的受容 field を重視し、低解像度特徴マップにおけるパラメータ効率的でマルチスケールのフィルタリングを活用することで、KITTIデータセットで最先端のmAPを達成しながらも、高い推論速度（15.4–16 FPS）を維持し、SSD や先行モデルに比して困難な例の検出性能を上回る。

ABSTRACT

Object detection in challenging situations such as scale variation, occlusion, and truncation depends not only on feature details but also on contextual information. Most previous networks emphasize too much on detailed feature extraction through deeper and wider networks, which may enhance the accuracy of object detection to certain extent. However, the feature details are easily being changed or washed out after passing through complicated filtering structures. To better handle these challenges, the paper proposes a novel framework, multi-scale, deep inception convolutional neural network (MDCN), which focuses on wider and broader object regions by activating feature maps produced in the deep part of the network. Instead of incepting inner layers in the shallow part of the network, multi-scale inceptions are introduced in the deep layers. The proposed framework integrates the contextual information into the learning process through a single-shot network structure. It is computational efficient and avoids the hard training problem of previous macro feature extraction network designed for shallow layers. Extensive experiments demonstrate the effectiveness and superior performance of MDCN over the state-of-the-art models.

研究の動機と目的

• スケール変動、隠蔽、切断といった困難な状況下でのオブジェクト検出性能の向上を図ること。
• 計算コストやモデルの複雑さを増大させることなく、文脈的特徴学習を強化すること。
• 先行の最先端モデルで用いられる深く広いネットワークの非効率性と低い移植性を是正すること。
• 実世界の応用において、検出精度と推論速度のより良いトレードオフを達成すること。
• 単一ショット検出フレームワークに効果的にマルチスケールの文脈的特徴を統合すること。

提案手法

• 特徴マップの空間次元が小さい深層部にマルチスケールのインセプションモジュールを導入する。
• 複数のサイズのフィルタを統合することで広い文脈的受容 field を捉える情報正方形インセプションモジュールを用いる。
• ダウンサンプリング処理の後にインセプションモジュールを配置することで、浅層部のインセプションと比較して計算負荷を低減する。
• 推論効率を維持するため、SSDをインspiredとした単一ショット検出アーキテクチャを採用する。
• マルチスケールフィルタ間でパラメータ共有を実装することで、追加パラメータを最小限に抑え、モデルのコンactさを維持する。
• バックボーンとしてVGG-16を用い、文脈表現の強化を図るために深層部にインセプションモジュールを挿入する。

Figure 1: The architecture of MDCN. The red, yellow and green boxes consist of wide-context, multi-scale deep inception structure. Each color denotes one kind of filter size. Purple boxes show classification and localization regression layers according to SSD [ 18 ] .

実験結果

リサーチクエスチョン

• RQ1 深くマルチスケールのインセプションモジュールは、小形および隠蔽物体の検出精度を向上させることができるか？
• RQ2 インセプションモジュールを深層部に配置することで、計算コストを低減しつつ特徴表現を強化できるか？
• RQ3 深層インセプションモジュールを備えた単一ショット検出器は、mAPを向上させつつも高い推論速度を維持できるか？
• RQ4 提案されたMDCNフレームワークは、SSD や DSSD といった最先端モデルと比較して、困難なベンチマークでどのように性能を発揮するか？
• RQ5 IoU閾値が異なる条件下で、モデルは小形または隠蔽物体といったハード例の性能をどの程度向上させるか？

主な発見

• MDCN-I2はKITTI検証セットで最高のmAPを記録し、WR-Inception-I2を含むすべての他のモデルを上回った。
• ハードサブセットでは、MDCN-I2はCarクラスでSSDに比して10%高いmAPを達成し、CyclistクラスではWR-Inception-I2に比して20%高いAPを達成した。
• IoU閾値が0.5から0.8の範囲で、MDCN-I2は全オブジェクトクラスで最高のAPを達成し、CarsクラスではIoU=0.5で88.4%のAPを記録した。
• MDCN-I1とMDCN-I2はそれぞれK40 GPUで15.8および15.4 FPSの推論速度を達成し、高い精度を誇る一方でSSDの17.0 FPSに近く、実用的であった。
• モデルはわずか2.55×10⁷のパラメータを用い、SSDの2.41×10⁷とほぼ同等であり、パラメータの追加負荷が最小限であることが示された。
• 視覚的比較では、MDCN-I2は複雑なシーンにおいてほぼすべてのオブジェクトを検出できたが、SSDは複数の歩行者や自転車乗りを隠蔽または小形オブジェクトの状況で見逃していた。

Figure 2: Detection examples of SSD and MDCN-I2. In these four sets of images, the top one and the bottom one are from SSD and MDCN-I2, respectively.