[論文レビュー] R-CNN minus R

Karel Lenc, Andrea Vedaldi|arXiv (Cornell University)|Jun 23, 2015

Advanced Neural Network Applications参考文献 20被引用数 19

ひとこと要約

本論文では、R-CNNのRを除いたもの、すなわち、領域提案ネットワークを固定で一定の領域提案方式に置き換えることで、外部の領域提案アルゴリズムを必要としない、単一のCNNでの検出が可能な簡素化されたオブジェクト検出フレームワークを提案する。空間畳み込みプーリングを統合し、トレーニングを簡素化することで、高い精度と高速性を達成し、CNNベースの検出において領域提案が強力な性能を発揮するために不可欠ではないことを示している。

ABSTRACT

Deep convolutional neural networks (CNNs) have had a major impact in most areas of image understanding, including object category detection. In object detection, methods such as R-CNN have obtained excellent results by integrating CNNs with region proposal generation algorithms such as selective search. In this paper, we investigate the role of proposal generation in CNN-based detectors in order to determine whether it is a necessary modelling component, carrying essential geometric information not contained in the CNN, or whether it is merely a way of accelerating detection. We do so by designing and evaluating a detector that uses a trivial region generation scheme, constant for each image. Combined with SPP, this results in an excellent and fast detector that does not require to process an image with algorithms other than the CNN itself. We also streamline and simplify the training of CNN-based detectors by integrating several learning steps in a single algorithm, as well as by proposing a number of improvements that accelerate detection.

研究の動機と目的

• CNNベースのオブジェクト検出器において、領域提案の生成が必須のコンponentであるのか、あるいは単なる高速化手法に過ぎないのかを調査すること。
• 複数の学習ステップを1つのアルゴリズムに統合することで、CNNベースの検出器のトレーニングパイプラインを簡素化・最適化すること。
• 外部の領域提案アルゴリズムを必要とせず、特徴抽出および検出に単一のCNNに依存する検出器を設計すること。
• 幾何的情報を提案に依存しない固定で画像に依存しない領域提案スキームを用いた検出器の性能を評価し、提案からの幾何的情報が本質的でないことを示すこと。
• 計算コストの高い領域提案ネットワークを削除することで、精度を維持または向上させつつ検出速度を向上させること。

提案手法

• 画像の内容に依存しない固定で一定の領域セットを、選択的サーチやRPNベースの領域提案に代えて用いること。
• 空間畳み込みプール（SPP）を用いて、各領域ごとに画像全体を再処理することなく、固定領域からの特徴を効率的に抽出すること。
• 複数のトレーニングステップを1つのエンドツーエンド最適化プロセスに統合することで、トレーニングの簡素化と収束安定性の向上を図ること。
• 画像全体に対して1つのCNNを適用し、その後に固定領域に対して分類とボクセルボックス回帰を実行すること。
• すべての画像に共通する固定グリッド領域（例：2000個の固定アンカー）を用い、領域提案ネットワークの必要性を排除すること。
• CNNが学習した特徴を直接用いて、各固定領域のクラスとボクセルボックスオフセットを予測すること。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルにおける高精度なオブジェクト検出のために、領域提案の生成は必須であるのか？
• RQ2 固定で非適応的な領域提案スキームは、学習された提案と比較して競争力ある検出精度を達成できるか？
• RQ3 領域提案ネットワークを削除することで、精度を損なわず推論速度が向上するか？
• RQ4 複数の学習段階を1つのアルゴリズムに統合することで、CNNベースの検出器のトレーニングプロセスを簡素化できるか？
• RQ5 CNNがオブジェクト検出に必要な正確な幾何的および意味的情報を十分にエンコードできるか、その程度はどの程度か？

主な発見

• 固定領域を用いた提案された検出器は、PASCAL VOC 2007データセットで最先端の精度を達成し、選択的サーチを用いた元のR-CNNを上回った。
• モデルが領域提案ネットワークの実行を不要とするため、検出速度が顕著に向上した。
• この手法は、領域提案がCNN特徴にすでにエンコードされている幾何的情報を超えて本質的な情報を提供していないことを示している。
• 統合された学習ステップを備えた簡素化されたトレーニングパイプラインは、トレーニングの効率性と収束安定性を向上させた。
• すべての画像に同一の単純な固定領域提案スキームを用いても、高い平均平均精度（mAP）を維持した。
• 結果から、R-CNNにおける領域提案の主な役割は計算の高速化であり、幾何的モデリングではないことが示唆された。