[論文レビュー] Pooling Pyramid Network for Object Detection

Pengchong Jin, Vivek Rathod+1 more|arXiv (Cornell University)|Jul 9, 2018

Advanced Neural Network Applications参考文献 6被引用数 15

ひとこと要約

この論文は、すべての特徴マップスケールにわたって1つのボックス予測器を共有し、スケール間の畳み込みを最大プーリングに置き換えることで、モデルサイズを3倍軽量化する単一ショットオブジェクト検出器であるPooling Pyramid Network（PPN）を提案する。MobileNet-v1を用いたCOCO上での実験では、mAPは20.3（PPN）対20.8（MobileNet SSD）と同等を維持しつつ、推論速度にほとんど影響を与えず、スケール間のスコアの不一致とデータのアンバランスを効果的に緩和する。

ABSTRACT

We'd like to share a simple tweak of Single Shot Multibox Detector (SSD) family of detectors, which is effective in reducing model size while maintaining the same quality. We share box predictors across all scales, and replace convolution between scales with max pooling. This has two advantages over vanilla SSD: (1) it avoids score miscalibration across scales; (2) the shared predictor sees the training data over all scales. Since we reduce the number of predictors to one, and trim all convolutions between them, model size is significantly smaller. We empirically show that these changes do not hurt model quality compared to vanilla SSD.

研究の動機と目的

• オブジェクトスケールごとのデータ分布のアンバランスが原因で生じるSSDにおけるスコアの不一致を是正すること。
• 検出精度を損なわず、SSDのモデルサイズとパラメータ数を削減すること。
• すべてのスケールで利用可能な訓練例を共有予測器が学習できるようにすることで、データ効率を向上させること。
• 遅延に敏感なアプリケーションに適した軽量で高速な推論アーキテクチャを設計すること。
• 各スケールに特化した予測器が訓練データの一部しか見ないという制限を克服すること。

提案手法

• SSDにおけるスケール特化型ボックス予測器を、すべての特徴マップスケールに適用可能な1つの共有予測器に置き換える。
• バックボーンのベース特徴マップに対して、ストライド2の最大プーリングを繰り返すことでマルチスケール特徴ピラミッドを構築する。
• プールドされた特徴マップを、共有予測器と互換性のある共有埋め込み空間に射影するために1×1畳み込みを用いる。
• 共有予測器（1×1畳み込みを用いて）を用いて、すべてのピラミッドレベルで分類スコアとボックスオフセットを生成する。
• 分類にはα=0.25、γ=2のフォーカル損失、回帰にはスムーズL1損失を用い、SSDと同一の設定とする。
• TensorFlow Object Detection APIの標準設定（TPUでの学習、GPUでの推論ベンチマーク）に従って学習および評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 すべての特徴マップスケールにわたって共有されたボックス予測器が、オブジェクトスケール間のデータアンバランスによって引き起こされるスコアの不一致を軽減できるか？
• RQ2 スケール間の畳み込みを最大プーリングに置き換えることで、検出精度を維持しながらモデルサイズを削減できるか？
• RQ3 すべてのスケールのデータで学習された統合予測器は、スケール特化型予測器と比較して、データ効率と一般化性能を向上させられるか？
• RQ4 単一ショット検出器において、推論速度やmAPを損なわず、どの程度モデルサイズを削減できるか？
• RQ5 最大プーリングベースのピラミッドは、標準SSDおよびFPNと比較して、精度、FLOPs、パラメータ数の観点でどの程度の性能を示すか？

主な発見

• PPNはCOCO上でmAP 20.3を達成したのに対し、MobileNet SSDは20.8であり、同等の検出精度を示した。
• PPNのモデルサイズは218万パラメータにまで削減され、MobileNet SSDの683万パラメータと比較して3倍に軽量化された。
• 推論に要するFLOPsは24.8億から23.5億に低下し、GPU推論時間は26ms（PPN）対27ms（MobileNet SSD）とほとんど変化がなかった。
• 共有予測器はすべてのスケールの訓練データをカバーするため、スコアの不一致が軽減され、予測スコアの整合性が向上した。
• 最大プーリングは計算コストが低いため、推論が高速化され、スケール間の高コストな畳み込みを回避した。
• モデルの断面が著しく小さくなりながらも、高い効率性と精度を維持したため、エッジデプロイメントに適した設計となった。