[論文レビュー] Traffic Sign Classification Using Deep Inception Based Convolutional Networks

Mrinal Haloi|arXiv (Cornell University)|Nov 10, 2015

Infrastructure Maintenance and Monitoring参考文献 11被引用数 29

ひとこと要約

本稿では、修正されたインセプションモジュールと空間変換器層を備えた深層畳み込みニューラルネットワークを提案し、GTSRBデータセットでトップ1精度99.81％を達成した。空間変換器を統合することで幾何的補正を自動化し、パラメータ効率の良いインセプション設計を採用することで、手作業によるデータ拡張に依存することを軽減し、わずか1050万パラメータで最先端の性能を達成した。

ABSTRACT

In this work, we propose a novel deep network for traffic sign classification that achieves outstanding performance on GTSRB surpassing all previous methods. Our deep network consists of spatial transformer layers and a modified version of inception module specifically designed for capturing local and global features together. This features adoption allows our network to classify precisely intraclass samples even under deformations. Use of spatial transformer layer makes this network more robust to deformations such as translation, rotation, scaling of input images. Unlike existing approaches that are developed with hand-crafted features, multiple deep networks with huge parameters and data augmentations, our method addresses the concern of exploding parameters and augmentations. We have achieved the state-of-the-art performance of 99.81\% on GTSRB dataset.

研究の動機と目的

• 手作業によるデータ拡張の限界と高パラメータ数の深層ネットワークが交通標識分類に与える影響を是正する。
• 実際の走行状況における平行移動、回転、スケーリングなどの空間的変形に対する耐性を向上させる。
• 既存の深層学習手法と比較して、分類精度を維持または向上させながら、モデルの複雑さとメモリ使用量を低減する。
• 交通標識画像における局所的特徴とグローバル特徴を効率的に捉えるために、特化した修正インセプションモジュールを考案する。
• 空間変換器ネットワークを統合し、エンドツーエンドで空間変換を学習することで、外部のデータ拡張なしに不変性を向上させる。

提案手法

• 複数のサイズのフィルタ（1×1、3×3、5×5）を用い、1×1畳み込みによる次元削減を組み合わせることで、多スケール特徴を効率的に抽出する修正インセプションモジュール（mIncept）を導入する。
• 畳み込み層およびインセプション層の前段に空間変換器ネットワーク（STN）を統合し、平行移動や回転などの空間変換を自動的に学習することで、画像の変形に対する耐性を向上させる。
• 可学習パラメータを有するPReLU活性化関数を採用し、特徴表現の向上と学習の安定性を改善する。
• PReLUベースのネットワークに有効であると示されているMSRA法を用いてネットワーク重みを初期化する。
• 畳み込み層およびインセプション層の前段に4つの空間変換器モジュールを戦略的に配置した21層の深層ネットワーク（プーリングおよびSTN層を除く）を設計する。
• 手作業によるデータ拡張やジッタリング技術を回避するため、標準的な最適化手法と学習率スケジューリングを用いてネットワークを学習する。

実験結果

リサーチクエスチョン

• RQ1 修正されたインセプションモジュールは、モデル複雑度を増加させることなく、交通標識分類における特徴抽出の効率性と精度を向上させることができるか？
• RQ2 空間変換器ネットワークは、手作業によるデータ拡張に依存する程度をどれほど低減させつつ、空間的歪みに対する耐性を向上させることができるか？
• RQ3 GTSRBベンチマークにおいて、本手法はコアのCNNの集合と比較して、精度およびパラメータ効率の点で優れているか？
• RQ4 空間変換のエンドツーエンド学習は、照明、スケール、向きの異なる実世界の交通標識画像において、より優れた一般化性能をもたらすか？
• RQ5 1100万パラメータ未満の軽量深層ネットワークは、9000万パラメータを超える大規模モデルを上回る性能を示せるか？

主な発見

• 提案手法はGTSRBデータセットでトップ1精度99.81％を達成し、コアのCNN（99.46％）および人間の性能（98.84％）をすべて上回った。
• モデルはわずか1050万パラメータで、コアのCNNが使用した9000万パラメータと比べて顕著に少ないため、メモリと計算コストを大幅に削減した。
• 修正インセプションモジュール（mIncept）は、元のGoogLeNetインセプションモジュール（99.57％）を上回り、99.81％の精度を達成した。
• 全GTSRBカテゴリのグループ別精度は99.7％を超えており、禁止標識（100％）および強制標識（99.72％）では完璧またはほぼ完璧な性能を示した。
• 空間変換器層は空間的歪みを効果的に処理し、データ拡張の必要性を低減させ、実世界の多様な変化にわたる一般化性能を向上させた。
• 本手法は優れたスケーラビリティと効率性を示し、リソース制限のある自動運転車両システムへの実装に適している。