[論文レビュー] Single-Shot Bidirectional Pyramid Networks for High-Quality Object Detection

Xiongwei Wu, Daoxin Zhang+2 more|arXiv (Cornell University)|Mar 22, 2018

Advanced Neural Network Applications参考文献 29被引用数 11

ひとこと要約

本論文は、ロバストな特徴表現のための双方向特徴ファイバープロセスと、反復的にアンカー品質を向上させる級列アンカー精錬を用いる、1ショットオブジェクト検出フレームワークであるBidirectional Pyramid Networks (BPN) を提案する。BPNは、PASCAL VOC および MS COCO において高品質な検出（IoU > 0.5）で最先端の性能を達成するとともに、リアルタイムの推論速度を維持する。

ABSTRACT

Recent years have witnessed many exciting achievements for object detection using deep learning techniques. Despite achieving significant progresses, most existing detectors are designed to detect objects with relatively low-quality prediction of locations, i.e., often trained with the threshold of Intersection over Union (IoU) set to 0.5 by default, which can yield low-quality or even noisy detections. It remains an open challenge for how to devise and train a high-quality detector that can achieve more precise localization (i.e., IoU$>$0.5) without sacrificing the detection performance. In this paper, we propose a novel single-shot detection framework of Bidirectional Pyramid Networks (BPN) towards high-quality object detection, which consists of two novel components: (i) a Bidirectional Feature Pyramid structure for more effective and robust feature representations; and (ii) a Cascade Anchor Refinement to gradually refine the quality of predesigned anchors for more effective training. Our experiments showed that the proposed BPN achieves the best performances among all the single-stage object detectors on both PASCAL VOC and MS COCO datasets, especially for high-quality detections.

研究の動機と目的

• 1ショット検出器が通常、アンカー設計の最適化不足と特徴表現の限界により、高品質なオブジェクト検出（IoU > 0.5）を達成するのが難しいという課題に対処すること。
• 固定された事前定義アンカーに依存し、正確な局所化に向けた強固な特徴統合を欠く既存の SSD スタイル検出器の限界を克服すること。
• リアルタイムの推論速度を維持しつつ、標準のIoU閾値（0.5）をはるかに超える局所化精度を顕著に向上させること。
• 双方向特徴統合と反復的アンカー精錬が、効率性を損なわずに検出品質を共同で向上させうるかどうかを検討すること。

提案手法

• 前方および逆方向に深層と浅層の特徴を統合する双方向特徴ファイバープロセス構造を導入し、特徴表現のロバスト性を向上させる。
• 複数段階にわたってアンカーボックスを段階的に精錬する級列アンカー精錬モジュールを採用し、局所化精度を段階的に向上させる。
• トップダウンおよびボトムアップのパスを備えたマルチスケール特徴ファイバーを用い、スキップ接続によりスケール間の文脈的および意味的情報を統合する。
• 標準的なクロスエントロピー損失とスムーズL1損失を用いてトレーニングを行い、アンカーベースの品質最適化のためにトレーニング中に級列精錬を適用する。
• VGG-16 および ResNet-101 をバックボーンとして採用し、公平な比較のため、先行研究と同一のトレーニングプロトコルを適用する。
• サンプリング戦略は SSD に類似しているが、著者らはより高度なサンプリング（例：Focal Loss）を用いることでさらなる性能向上が可能であると指摘している。

実験結果

リサーチクエスチョン

• RQ1 リアルタイム推論速度を損なわず、1ショット検出器が高品質な検出（IoU > 0.5）で最先端の性能を達成できるか？
• RQ2 双方向特徴統合は、1段階検出器における正確な局所化のための特徴表現をどのように向上させるか？
• RQ3 標準的なアンカーベーストレーニングと比較して、級列アンカー精錬はどれほど局所化誤差を低減できるか？
• RQ4 提案された BPN フレームワークは、SSD や RefineDet といった既存の1段階検出器を、平均精度および高IoU検出の両面で上回るか？

主な発見

• BPN512++ は、MS COCO において AP@0.5:0.95 で 41.5% の平均精度を達成し、SSD513 や RefineDet512 を含む、他のすべての1段階検出器を上回った。
• PASCAL VOC では、BPN320++ が 0.5:0.95 のIoU閾値で 37.9% のAPを達成し、比較対象のすべての1ショット検出器を上回った。
• 誤差解析の結果、BPN320 は SSD や RefineDet と比較して、顕著に少ない局所化誤検出および背景誤検出を示し、より高いロバスト性を示した。
• 改善にもかかわらず、同様のカテゴリ（例：cow と cat）との混同が依然として主要な誤差タイプであったため、より良いサンプリング戦略の導入が求められる。
• 級列アンカーベースの精錬は、局所化誤差を低減させ、特に小さな物体や検出が難しい物体のアンカーベース品質を向上させた。
• BPN はリアルタイムの推論速度を維持しており、精度の向上が計算効率の低下を伴わないことを確認した。