[論文レビュー] Recent Advances in Deep Learning for Object Detection

Xiongwei Wu, Doyen Sahoo+1 more|arXiv (Cornell University)|Aug 10, 2019

Advanced Neural Network Applications参考文献 226被引用数 25

ひとこと要約

本サーベイは、物体検出における深層学習の最近の進展を包括的に概説し、検出器の構成要素、学習戦略、応用を体系的に分析している。アノテーションフリー検出、AutoML、低ショット学習といった主要なトレンドを特定し、検出器に適したバックボーンやLVISのような新興ベンチマークを含む、今後の研究分野への洞察を提供している。

ABSTRACT

Object detection is a fundamental visual recognition problem in computer vision and has been widely studied in the past decades. Visual object detection aims to find objects of certain target classes with precise localization in a given image and assign each object instance a corresponding class label. Due to the tremendous successes of deep learning based image classification, object detection techniques using deep learning have been actively studied in recent years. In this paper, we give a comprehensive survey of recent advances in visual object detection with deep learning. By reviewing a large body of recent related work in literature, we systematically analyze the existing object detection frameworks and organize the survey into three major parts: (i) detection components, (ii) learning strategies, and (iii) applications & benchmarks. In the survey, we cover a variety of factors affecting the detection performance in detail, such as detector architectures, feature learning, proposal generation, sampling strategies, etc. Finally, we discuss several future directions to facilitate and spur future research for visual object detection with deep learning. Keywords: Object Detection, Deep Learning, Deep Convolutional Neural Networks

研究の動機と目的

• 深層学習に基づく物体検出分野における最近の進展を体系的かつ包括的にサーベイすること。
• 検出器アーキテクチャ、特徴学習、提案生成などのさまざまな構成要素が、検出性能に与える影響を分析すること。
• スケーリング技術や損失関数など、検出精度を向上させる学習戦略のキーポイントを特定すること。
• 実世界の応用とベンチマークデータセットを評価し、低ショット検出や大規模分類といった新興の課題に焦点を当てる。
• 今後の研究分野として、検出器に適したバックボーン、AutoML、スケーラブルなトレーニングフレームワークを強調すること。

提案手法

• 本論文は、最近の文献を体系的に調査し、物体検出手法を三つの主要な分野に分類する：検出コンポーネント、学習戦略、応用とベンチマーク。
• 2段階（例：Faster R-CNN）および1段階（例：YOLO、SSD）のフレームワークを含む検出器アーキテクチャをレビューし、それらの設計選択を分析する。
• 特徴学習技術（例：FPN、CSPNet）とそのマルチスケール物体検出における役割を調査する。
• 領域提案ネットワーク（RPN）やアノテーションフリー手法（例：CenterNet、FCOS）を含む提案生成メカニズムを評価する。
• ハードネガティブマイニングやフォーカル損失を含む、サンプリング戦略と損失関数を分析し、クラス不均衡の問題に対処する。
• ニューラルアーキテクチャサーチやデータ拡張を含むAutoMLの動向を検討し、それらが検出性能に与える影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 過去10年間で、深層学習ベースの物体検出フレームワークは、アーキテクチャと設計においてどのように進化してきたか？
• RQ2 特徴抽出、提案生成、分類といった主要なコンポーネントの中で、検出性能に最も大きな影響を与えるものは何か？
• RQ3 損失関数やサンプリング技術を含むさまざまな学習戦略が、モデルの一般化性能と精度にどのように影響を与えるか？
• RQ4 MSCOCOのような現在のベンチマークにどのような限界があり、LVISのような新興データセットが現実の課題をどのように克服しているか？
• RQ5 検出器に適したバックボーンや低ショット学習を含む、今後の研究分野の中で最も有望な分野は何か？

主な発見

• CenterNet や FCOS などのアノテーションフリー検出手法が、アノテーションベースの検出器に対する強力な代替手段として登場し、ハイパーパramータへの感受性が低く、小サイズの物体でも性能が向上している。
• AutoML技術は、NASベースのFPN やデータ拡張ポリシーを含め、バックボーンおよび特徴ピラミッドアーキテクチャの設計において顕著な改善を示しているが、膨大な計算リソースを要する。
• LVISベンチマークは1,000種類以上のカテゴリと220万件のインスタンスマスクを備えており、長尾分布や低ショット検出のシナリオにおいてより現実的で挑戦的なテストベッドを提供している。
• 低ショット物体検出は依然として大きな課題であり、MSPLD や RepMet といった既存の手法は有望ではあるが、過学習やドメインシフトの影響を受けて限定的である。
• トランスファー学習やメトリクス学習アプローチ（例：LSTD や RepMet）は、少サンプル一般化性能を向上させているが、データ不足や分布シフトの制約により、性能向上が制限されている。
• 分類と検出の目的関数の間には依然として顕著なギャップが存在しており、ImageNetからのトランスファー学習に比べ、検出器に適したバックボーンアーキテクチャが顕著な性能向上をもたらす可能性がある。