[論文レビュー] Resolving Class Imbalance in Object Detection with Weighted Cross Entropy Losses

Trong Huy Phan, Kazuma Yamamoto|arXiv (Cornell University)|Jun 2, 2020

Advanced Neural Network Applications参考文献 19被引用数 54

ひとこと要約

本論文は重み付きクロスエントロピー損失が物体検出におけるクラス不均衡を緩和できるかを調査し、BDD100K のような不均衡データセット上で Balanced Cross Entropy、Focal Loss、Class-Balanced Loss を比較します。

ABSTRACT

Object detection is an important task in computer vision which serves a lot of real-world applications such as autonomous driving, surveillance and robotics. Along with the rapid thrive of large-scale data, numerous state-of-the-art generalized object detectors (e.g. Faster R-CNN, YOLO, SSD) were developed in the past decade. Despite continual efforts in model modification and improvement in training strategies to boost detection accuracy, there are still limitations in performance of detectors when it comes to specialized datasets with uneven object class distributions. This originates from the common usage of Cross Entropy loss function for object classification sub-task that simply ignores the frequency of appearance of object class during training, and thus results in lower accuracies for object classes with fewer number of samples. Class-imbalance in general machine learning has been widely studied, however, little attention has been paid on the subject of object detection. In this paper, we propose to explore and overcome such problem by application of several weighted variants of Cross Entropy loss, for examples Balanced Cross Entropy, Focal Loss and Class-Balanced Loss Based on Effective Number of Samples to our object detector. Experiments with BDD100K (a highly class-imbalanced driving database acquired from on-vehicle cameras capturing mostly Car-class objects and other minority object classes such as Bus, Person and Motor) have proven better class-wise performances of detector trained with the afore-mentioned loss functions.

研究の動機と目的

• 物体検出におけるクラス不均衡の問題と、それが検出器の性能に与える影響を動機づける。
• 重み付きクロスエントロピーの変種が検出器のマイノリティクラスの精度を向上させるかを評価する。
• 高度に不均衡な運転データセット（BDD100K）での有効性を示す。

提案手法

• サンプルの有効数に基づく Weighted Cross Entropy の変種（Balanced Cross Entropy、Focal Loss、Class-Balanced Loss）を物体検出器に適用する。
• これらの損失を用いて不均衡データ上で検出器を訓練し、クラス別の性能改善を評価する。
• 多数の Car が存在し、Bus、Person、Motor などのマイノリティクラスを含む運転データセット（BDD100K）で実験する。
• 損失変種ごとに検出器の性能を比較し、マイノリティクラスの利得を特定する。

実験結果

リサーチクエスチョン

• RQ1 重み付きクロスエントロピー損失は不均衡データセットにおけるクラス別の検出精度を改善できるか。
• RQ2 どの損失変種が物体検出においてマイノリティクラスの性能を最も効果的に向上させるか。
• RQ3 これらの損失は全体の検出器性能に影響を与えるか、それとも運転データセットのマイノリティクラスのみか。
• RQ4 BDD100K の結果は現実世界の不均衡シナリオに対するこのアプローチをどのように検証しているか。

主な発見

• Weighted Cross Entropy の変種はマイノリティの物体クラスに対してクラス別の性能を改善することを示した。
• BDD100K での実験は Bus、Person、Motor などの出現頻度が低いクラスの利得を示すが、具体的な数値は記載していない。
• 従来のアーキテクチャで訓練された検出器に対して、バランシング/ウェイティング戦略が有効であることを示す証拠を提供する。
• 損失の中で、Focal Loss と Class-Balanced Loss を不均衡設定における有効な選択肢として特定している。