[論文レビュー] Rethinking Classification and Localization for Cascade R-CNN.

Ang Li, Xue Yang+1 more|arXiv (Cornell University)|Jan 1, 2019

Advanced Neural Network Applications被引用数 3

ひとこと要約

この論文は、テストアンサンブルを必要とせず、特に低IoUにおいて顕著な性能向上を達成するシンプルな特徴共有メカニズムをCascade R-CNNに提案している。すべての段階で特徴を共有することで、パrameterの増加が最小限に抑えられ、COCOオブジェクト検出で43.2 APを達成し、以前のCascade R-CNNバージョンを上回っている。

ABSTRACT

We extend the state-of-the-art Cascade R-CNN with a simple feature sharing mechanism. Our approach focuses on the performance increases on high IoU but decreases on low IoU thresholds--a key problem this detector suffers from. Feature sharing is extremely helpful, our results show that given this mechanism embedded into all stages, we can easily narrow the gap between the last stage and preceding stages on low IoU thresholds without resorting to the commonly used testing ensemble but the network itself. We also observe obvious improvements on all IoU thresholds benefited from feature sharing, and the resulting cascade structure can easily match or exceed its counterparts, only with negligible extra parameters introduced. To push the envelope, we demonstrate 43.2 AP on COCO object detection without any bells and whistles including testing ensemble, surpassing previous Cascade R-CNN by a large margin. Our framework is easy to implement and we hope it can serve as a general and strong baseline for future research.

研究の動機と目的

• 高IoUでは改善が見られるものの、低IoU閾値での性能低下を是正すること。
• 段階間の差を特徴の共有によって縮小し、段階の初期と後期の性能差を小さくすること。
• テストアンサンブル技術に依存せずに、すべてのIoU閾値で一貫した検出精度の向上を達成すること。
• 最小限の追加パrameterで高い性能を維持し、効率性を確保すること。
• 将来的なオブジェクト検出研究の強力で汎用性の高いベースラインを確立すること。

提案手法

• Cascade R-CNNアーキテクチャのすべての段階にわたって特徴を共有するメカニズムを導入する。
• 同じ特徴共有戦略を、最終の検出ヘッドを含むすべての段階に適用する。
• 共有された特徴を用いて、特に低IoU予測において特徴表現の安定化と向上を図る。
• 元のカスケード構造を維持しつつ、段階間での特徴の一貫性を強化する。
• 追加のデータオーグメンテーションやテストアンサンブルを用いずに、標準的な学習と推論を実施する。
• 最小限のパrameter増加で、アーキテクチャの変更により性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 Cascade R-CNNの段階間で特徴を共有することで、低IoU閾値での性能向上が達成できるか？
• RQ2 特徴共有によって、モデルの複雑さを増さずに、すべてのIoU閾値で一貫した向上が得られるか？
• RQ3 特徴共有を用いることで、Cascade R-CNNにおける初期段階と後続段階の性能差を縮小できるか？
• RQ4 テストアンサンブル技術を用いずに、最先端の結果を達成できるか？
• RQ5 この手法は、オブジェクト検出のための強力で汎用的なベースラインとして機能できるか？

主な発見

• 提案された特徴共有メカニズムにより、低IoU閾値での性能が顕著に向上し、カスケード内の初期段階と後続段階の差が縮小された。
• この手法は、テストアンサンブルを含むあらゆる補正を用いずに、COCOオブジェクト検出で43.2 APを達成し、以前のCascade R-CNNの結果を上回っている。
• 特徴共有のおかげで、すべてのIoU閾値で顕著な改善が見られ、検出の難易度レベルにかかわらず一貫した向上が確認された。
• パrameterの増加がほとんどないことから、モデルの効率性が維持されている。
• 得られたカスケード構造は、性能面で類似手法を上回るか同等であり、強力な一般化能力を示している。
• このフレームワークは実装が簡単であり、将来的なオブジェクト検出研究の堅実なベースラインとして活用可能である。