[論文レビュー] Object detection on aerial imagery using CenterNet

Dheeraj Reddy Pailla, Varghese Alex Kollerathu+1 more|arXiv (Cornell University)|Aug 22, 2019

Advanced Neural Network Applications参考文献 9被引用数 10

ひとこと要約

この論文は、VisDrone2019データセットを用いて、さまざまなバックボーンとテスト時増強を用いて、キーポイントベースのワンステージオブジェクト検出器であるCenterNetの空中画像オブジェクト検出性能を評価している。画像検出では27.83% mAP（7位）、動画検出では21.58% mAP（5位）を達成し、微調整を最小限に抑えても、ドローン画像における小形で密集したオブジェクトに対して優れた性能を示している。

ABSTRACT

Detection and classification of objects in aerial imagery have several applications like urban planning, crop surveillance, and traffic surveillance. However, due to the lower resolution of the objects and the effect of noise in aerial images, extracting distinguishing features for the objects is a challenge. We evaluate CenterNet, a state of the art method for real-time 2D object detection, on the VisDrone2019 dataset. We evaluate the performance of the model with different backbone networks in conjunction with varying resolutions during training and testing.

研究の動機と目的

• 深層学習を用いて、空中画像における小形・低解像度・密集したオブジェクトを検出する課題に対処すること。
• 従来の二段階およびワンステージ検出器と比較して、キーポイントベースのワンステージ検出器であるCenterNetの有効性を評価すること。
• 異なるバックボーンネットワーク（ResNet-18、DLA-34、Hourglass-104）およびテスト時増強戦略が検出性能に与える影響を調査すること。
• 画像データで訓練された1つのモデルが、微調整や再訓練なしに動画オブジェクト検出に一般化できるかどうかを評価すること。

提案手法

• CenterNetはオブジェクトを単一のキーポイント中心として扱い、中心ヒートマップからバウンディングボックスのサイズその他の属性を回帰する。
• モデルは、COCOで事前学習されたHourglass-104バックボーンを用いて特徴抽出と検出ヘッドを実装している。
• 学習では入力画像を1024×1024にリサイズし、推論では2048×2048にリサイズし、ImageNet正規化を適用している。
• テスト時増強には水平反転と、入力解像度の0.5、0.75、1.0、1.25、1.5倍のマルチスケール推論を含む。
• 最適化にはADAMを使用し、初期の学習率を2.5×10⁻⁴に設定し、エポック90および120で10分の1に減衰させる。
• 評価にはIOU閾値を0.5から0.95まで0.05刻みで用いた平均精度（AP）と、複数の検出数制限における平均リCALLを用いる。

実験結果

リサーチクエスチョン

• RQ1 YOLOv3 や SSD といった従来のワンステージ検出器と比較して、CenterNetは空中画像においてどの程度の性能を示すか？
• RQ2 ResNet-18、DLA-34、Hourglass-104 のうち、どのバックボーンネットワークがVisDrone2019で最高の検出精度を達成するか？
• RQ3 水平反転やマルチスケールテストといったテスト時増強は、検出性能をどの程度向上させるか？
• RQ4 微調整なしに、画像データで訓練されたモデルが動画オブジェクト検出に効果的に一般化できるか？

主な発見

• Hourglass-104バックボーンは、2048×2048解像度とマルチスケールテストおよび水平反転を組み合わせた際、検証データで最高のmAP 58.03%を達成した。
• テスト時増強は性能向上に顕著な効果を示し、2048×2048解像度で水平反転なしのmAP 56.88%から水平反転ありのmAP 58.03%に向上した。
• VisDrone2019 Track 1（画像検出）では、27.83% mAPを達成し、20件の参加手法の中で7位となった。
• Track 2（動画検出）では、同じモデルが21.58% mAPを達成し、微調整や再訓練なしにリーダーボードで5位となった。
• Track 1では、全手法の中で最高の平均リCALL（46.81%）を記録し、1画像あたり500個までのオブジェクト検出において特に優れた性能を示した。
• クラスごとの性能は、車両（画像で51.92% AP）とトラック（画像で31.14% AP）で強く、バスやバンに対しても顕著な性能を示した。