[論文レビュー] Underwater object detection using Invert Multi-Class Adaboost with deep learning

Long Chen, Zhihua Liu+5 more|arXiv (Cornell University)|May 23, 2020

Advanced Neural Network Applications参考文献 32被引用数 11

ひとこと要約

本論文は、水中画像における小規模物体検出を向上させるために、ハイパーフィーチャーマップを備えた深層ニューラルネットワークであるSWIPENetを提案する。さらに、ノイズの多いデータを軽減するための逆マルチクラスAdaboost（IMA）サンプル再重み付けアルゴリズムを組み合わせた。SWIPENet+IMAフレームワークは、URPC2018で64.5のSOTA mAPを達成し、既存手法を3.9%以上上回った。

ABSTRACT

In recent years, deep learning based methods have achieved promising performance in standard object detection. However, these methods lack sufficient capabilities to handle underwater object detection due to these challenges: (1) Objects in real applications are usually small and their images are blurry, and (2) images in the underwater datasets and real applications accompany heterogeneous noise. To address these two problems, we first propose a novel neural network architecture, namely Sample-WeIghted hyPEr Network (SWIPENet), for small object detection. SWIPENet consists of high resolution and semantic rich Hyper Feature Maps which can significantly improve small object detection accuracy. In addition, we propose a novel sample-weighted loss function which can model sample weights for SWIPENet, which uses a novel sample re-weighting algorithm, namely Invert Multi-Class Adaboost (IMA), to reduce the influence of noise on the proposed SWIPENet. Experiments on two underwater robot picking contest datasets URPC2017 and URPC2018 show that the proposed SWIPENet+IMA framework achieves better performance in detection accuracy against several state-of-the-art object detection approaches.

研究の動機と目的

• 実世界の水中画像における解像度の低さやぼやけのため、小規模な水中物体を検出する課題に対処する。
• 検出性能を低下させる、水中データセットに見られる不均一なノイズの悪影響を軽減する。
• 高解像度で意味論的に豊かなハイパーフィーチャーマップを活用することで、小規模物体の特徴表現を向上させる。
• 分類誤差に基づく再重み付け戦略を構築し、特に誤分類やノイズの多いサンプルに対して、学習段階でのノイズの影響を低減する。
• ベンチマーク用水中検出データセットURPC2017およびURPC2018で、最先端の性能を達成する。

提案手法

• 小規模物体検出を向上させるために、複数の高解像度で意味論的に豊かなハイパーフィーチャーマップを統合する、新しいニューラルネットワークアーキテクチャであるSWIPENetを提案する。
• サンプルの重要性に基づいて学習損失を動的に調整する、新しい再重み付け機構を用いたサンプル重み付き損失関数を設計する。
• 分類誤差に基づく検出ベースのサンプル再重み付けアルゴリズムとして、逆マルチクラスAdaboost（IMA）を導入し、各反復で誤分類されたサンプルの重みを増加させることで、耐性を高める。
• 分類誤差に基づいてサンプル重みを更新することで、難易度の高いまたはノイズの多いサンプルに注目するように学習を最適化する。
• 複数のSWIPENetモデルを異なるIMA反復回数で学習したものをアンサンブル化することで、さらなる性能向上を図る。
• 標準的な物体検出指標（mAPおよびクラス別精度/再現率を含む）を用いて、実世界の水中データセットURPC2017およびURPC2018で学習および評価を行う。

実験結果

リサーチクエスチョン

• RQ1 意味的豊かで高解像度の特徴マップを備えた深層ニューラルネットワークアーキテクチャは、小規模水中物体の検出精度を向上させることができるか？
• RQ2 分類誤差に基づくサンプル再重み付け戦略は、水中物体検出におけるノイズの多いサンプルの影響をどの程度低減できるか？
• RQ3 ハイパーフィーチャーマップと反復的サンプル再重み付けの組み合わせは、多様な水中物体カテゴリにわたり一貫した性能向上をもたらすか？
• RQ4 提案されたSWIPENet+IMAフレームワークは、実世界の水中データセットにおいて、SSD、YOLOv3、Faster R-CNNといった最先端の検出器と比較して、どのように性能を発揮するか？
• RQ5 モデルアンサンブルは、特に小規模または検出が難しい物体において、さらなる性能向上をもたらすか？

主な発見

• URPC2018では、提案されたSWIPENet+IMAアンサンブルモデルが平均平均精度（mAP）64.5を達成し、すべての最先端手法を3.9ポイント以上上回った。
• OurBestSingleモデルはURPC2018で63.3 mAPを達成し、OurFirstSingleより1.1%向上した。これは、反復的IMA再重み付けの有効性を示している。
• URPC2017では、アンサンブルモデルが46.3 mAPを達成し、公式のURPC2017コンペティション優勝者およびすべてのベースライン手法を上回った。
• Precision/Recall曲線から、SWIPENetアーキテクチャは、SSDやFaster R-CNNと比較して、小規模物体（例：海綿虫、ハマグリ）の検出を顕著に向上させた。
• OurFirstSingleモデルはURPC2018で62.2 mAPを達成し、SSD512（60.6 mAP）、YOLOv3（57.7 mAP）、ResNet101を用いたFaster R-CNN（59.8 mAP）を上回った。これは、SWIPENetが小規模物体検出において優位性を示していることを証明している。
• アンサンブル化により、大多数のカテゴリで性能が向上したが、個々のカテゴリでの向上幅にはばらつきがあり、海綿虫検出においてはOurBestSingleがアンサンブルを上回った。