[論文レビュー] Object Detection with Deep Learning: A Review

Zhong‐Qiu Zhao, Peng Zheng+2 more|arXiv (Cornell University)|Jul 15, 2018

Visual Attention and Saliency Detection参考文献 173被引用数 82

ひとこと要約

深層学習ベースの物体検出の総合的な調査。R-CNN から現代の領域ベースおよび回帰/分類フレームワークを辿り、一般的および特定タスクにわたる分析。

ABSTRACT

Due to object detection's close relationship with video analysis and image understanding, it has attracted much research attention in recent years. Traditional object detection methods are built on handcrafted features and shallow trainable architectures. Their performance easily stagnates by constructing complex ensembles which combine multiple low-level image features with high-level context from object detectors and scene classifiers. With the rapid development in deep learning, more powerful tools, which are able to learn semantic, high-level, deeper features, are introduced to address the problems existing in traditional architectures. These models behave differently in network architecture, training strategy and optimization function, etc. In this paper, we provide a review on deep learning based object detection frameworks. Our review begins with a brief introduction on the history of deep learning and its representative tool, namely Convolutional Neural Network (CNN). Then we focus on typical generic object detection architectures along with some modifications and useful tricks to improve detection performance further. As distinct specific detection tasks exhibit different characteristics, we also briefly survey several specific tasks, including salient object detection, face detection and pedestrian detection. Experimental analyses are also provided to compare various methods and draw some meaningful conclusions. Finally, several promising directions and tasks are provided to serve as guidelines for future work in both object detection and relevant neural network based learning systems.

研究の動機と目的

• 物体検出に関連する深層学習と CNN の歴史と基盤を概説する。
• 領域提案ベースから回帰/分類フレームワークへと進化する、汎用的な物体検出アーキテクチャを要約する。
• 顕著物体検出、顔検出、歩行者検出の応用をレビューし、性能の洞察を比較する。
• 初期手法の限界を指摘し、後続の改良と実用的な考慮事項を示す。

提案手法

• 物体検出フレームワークを領域提案ベースと回帰/分類ベースのパイプラインに分類・整理する。
• 主要なアーキテクチャ（R-CNN, SPP-net, Fast R-CNN, Faster R-CNN, R-FCN, FPN, Mask R-CNN）とそれらの学習戦略を論じる。
• Region Proposal Network (RPN) とそれがエンドツーエンド学習と速度向上にもたらす役割を説明する。
• 効率と精度の向上のための改善を説明する。RoI pooling/align、マルチタスク損失、特徴ピラミッド（FPN）などを含む。
• 顕著物体検出、顔検出、歩行者検出の特定タスク適応を要約する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの物体検出における主なアーキテクチャ的パラダイムは何で、時間とともにどう進化してきたか？
• RQ2 領域提案ベースの手法は、精度と効率の面で回帰/分類ベースの手法とどう比較されるか？
• RQ3 リアルタイムなエンドツーエンド物体検出への架け橋となった重要な技術は何か？
• RQ4 特定タスク（顕著/オブジェクト、顔、歩行者）が検出器の設計と性能にどのように影響するか？

主な発見

• R-CNN は PASCAL VOC 2012 で mean average precision (mAP) が 53.3% を達成し、従来手法より顕著に改善した。
• SPP-net と Fast R-CNN は畳み込み特徴マップの再利用とマルチタスク損失を用いた RoI pooling の導入により、効率と精度を向上させた。
• Faster R-CNN は Region Proposal Networks (RPN) を導入し、 proposals をエンドツーエンドで生成、より高速で統合された学習を実現し、実時間的な性能を達成（例: VOC07/12 で GPUs 上 5 FPS）。
• R-FCN は 位置に敏感な RoI pooling を用いた完全畳み込みアーキテクチャを提案し、平行移動変動性と効率のバランスを取り、PASCAL VOC と COCO で高い成果を達成した。
• FPN は トップダウン型の横方向接続を用いた特徴ピラミッドでマルチスケール特徴表現を統一し、スケールを跨ぐ検出を強化した。
• Mask R-CNN は Faster R-CNN を拡張し、独立したセグメンテーションブランチと RoIAlign を導入して、検出性能を損なうことなくマスクの精度を向上させた。