[論文レビュー] Scale Optimization for Full-Image-CNN Vehicle Detection

Yang Gao, Shouyan Guo+6 more|arXiv (Cornell University)|Feb 20, 2018

Advanced Neural Network Applications参考文献 19被引用数 3

ひとこと要約

本論文は、KITTIベンチマークにおけるフル画像CNN自動車検出のため、スケール最適化を施したFaster R-CNNの改良を提案する。アノテーションボックスの選択とマルチレベル特徴マップ統合を最適化することで、平均平均精度（mAP）を76.3%から83.6%まで向上させる。

ABSTRACT

Many state-of-the-art general object detection methods make use of shared full-image convolutional features (as in Faster R-CNN). This achieves a reasonable test-phase computation time while enjoys the discriminative power provided by large Convolutional Neural Network (CNN) models. Such designs excel on benchmarks which contain natural images but which have very unnatural distributions, i.e. they have an unnaturally high-frequency of the target classes and a bias towards a "friendly" or "dominant" object scale. In this paper we present further study of the use and adaptation of the Faster R-CNN object detection method for datasets presenting natural scale distribution and unbiased real-world object frequency. In particular, we show that better alignment of the detector scale sensitivity to the extant distribution improves vehicle detection performance. We do this by modifying both the selection of Region Proposals, and through using more scale-appropriate full-image convolution features within the CNN model. By selecting better scales in the region proposal input and by combining feature maps through careful design of the convolutional neural network, we improve performance on smaller objects. We significantly increase detection AP for the KITTI dataset car class from 76.3% on our baseline Faster R-CNN detector to 83.6% in our improved detector.

研究の動機と目的

• KITTIのような自然なスケール分布を示す実世界データセットに適用された一般物体検出器（Faster R-CNN）における性能ギャップを是正すること。
• 標準ベンチマークでは不足しがちなが、実際のドライブシナリオで一般的な小規模・遠距離の自動車の検出精度を向上させること。
• KITTIにおける実際のスケール分布に適合するよう、領域提案生成と特徴抽出の再設計を通じて検出器のスケール感受性を最適化すること。
• CNNベースの検出器をドメインに自然なスケール分布に適応させることで、実世界の自動車検出タスクにおける性能が顕著に向上することを示すこと。

提案手法

• KITTIデータセットにおける自動車の自然なスケール分布に適合するよう、領域提案ネットワーク（RPN）内のアノテーションボックススケールを見直し、特に小規模オブジェクトのスケールに重点を置く。
• 複数の畳み込み層（例：第4層および第5層）の特徴マップを統合することで、特に小規模な自動車に対するマルチスケール特徴表現を強化する。
• 勾配の流れと特徴の多様性を向上させるために、残差ブロックアーキテクチャを採用し、低レベルの高解像度特徴からの学習を効果的に可能にする。
• 1×1、3×3、5×5の畳み込みカーネルを用いたマルチスケール提案を統合することで、さまざまなスケールでの特徴表現を豊かにする。
• 浅い層と深い層の特徴を統合するハイブリッドネットワークアーキテクチャを設計し、すべてのオブジェクトスケールでの検出感度を向上させる。
• KITTIベンチマーク上で収束性と頑健性を確保できるよう、適切な初期化と最適化を用いてモデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 標準的なFaster R-CNNの性能は、KITTIデータセットにおけるさまざまなオブジェクトスケール、特に小規模・遠距離の自動車においてどのように変動するか？
• RQ2 アノテーションボックスのスケール選択を改善することで、実世界のドライブシーンにおける小スケール自動車の検出精度はどの程度向上するか？
• RQ3 複数の畳み込み層からの特徴マップ統合は、計算コストを増加させずに小オブジェクトの検出性能を向上させることができるか？
• RQ4 残差接続とマルチスケール畳み込みカーネルの導入は、KITTIベンチマークにおける特徴表現と検出mAPにどのように影響を与えるか？

主な発見

• 提案手法は、KITTI自動車検出ベンチマークにおけるmAPを、ベースラインのFaster R-CNN（76.3%）から83.6%まで顕著に向上させた。
• 性能向上の大部分は小スケール自動車に起因し、低スケール範囲での検出精度が著しく向上した。
• 1×1、3×3、5×5のカーネルを用いたマルチスケール提案は、10,000イテレーション後に初期検出性能を64.0%から66.3%まで向上させたが、最終収束性能はベースラインと比べてわずかに上回ったにとどまった。
• 最適化されたアノテーションボックスとマルチレベル特徴統合の組み合わせが最高のmAPを達成し、スケールと特徴の共同最適化の有効性を示した。
• 残差ブロックの統合により性能が0.6%向上し、収束が加速した。これは、より良い勾配の流れと特徴の多様性を示している。
• モデルの精度-再現率曲線は、小オブジェクト領域で顕著に改善しており、低スケール自動車に対する感度向上が確認された。