[論文レビュー] Weighted Boxes Fusion: ensembling boxes for object detection models

Roman Solovyev, Weimin Wang|arXiv (Cornell University)|Oct 29, 2019

Advanced Neural Network Applications被引用数 39

ひとこと要約

この論文では、信頼度スコアを用いて重み付き平均を計算することで、複数のバウンディングボックス予測をアンサンブルする手法であるWeighted Boxes Fusion (WBF) を紹介している。COCOおよびOpen Imagesで評価された結果、信頼度に基づく重み付けによる重複検出の効果的統合により、最先端の性能を達成した。コードは公開済みである。

ABSTRACT

In this work, we present a novel method for combining predictions of object detection models: weighted boxes fusion. Our algorithm utilizes confidence scores of all proposed bounding boxes to constructs the averaged boxes. We tested method on several datasets and evaluated it in the context of the Open Images and COCO Object Detection tracks, achieving top results in these challenges. The source code is publicly available at this https URL

研究の動機と目的

• 複数のオブジェクト検出モデルから得られる一貫性のない、または重複するバウンディングボックス予測の課題に対処すること。
• 信頼度スコアを用いて知的に複数の予測ボックスを統合することで、検出性能を向上させること。
• 多様な検出ベンチマークに適用可能な汎用的で軽量なポストプロセッシング技術を開発すること。
• COCOやOpen Imagesといった主要なオブジェクト検出チャレンジで最高の結果を達成すること。

提案手法

• 複数のオブジェクト検出器からの予測バウンディングボックスを統合する。
• 各ボックスの信頼度スコアを重みとして用い、バウンディングボックス座標の重み付き平均を計算する。
• 重複するボックスは、入力ボックスの重み付き平均に基づいて位置とサイズが決定される新しいボックスを計算することで統合する。
• IoU（オーバーラップ率）を用いてボックス間の重複を特定し、関連する予測をグループ化する。
• 統合されたボックスの中で最も信頼度スコアが高いボックスを最終的な融合ボックスとして選択する。
• このアプローチはポストプロセッシングステップとして適用され、モデルの再トレーニングやアーキテクチャの変更を必要としない。

実験結果

リサーチクエスチョン

• RQ1 信頼度スコアが、融合されたオブジェクト検出予測の品質向上に効果的に活用できるか？
• RQ2 重み付き統合は、非重み付きまたは信頼度に基づかない統合手法と比較して、mAPにおいてどのように異なるか？
• RQ3 WBFは、COCO や Open Images といった標準ベンチマークでどの程度の性能向上を達成できるか？
• RQ4 この手法は、多様な検出モデルやデータセットに対して堅牢性を示せるか？

主な発見

• Weighted Boxes Fusionは、Open Images Object Detectionチャレンジで最先端の結果を達成した。
• ベースラインの統合手法と比較して、COCOデータセットにおける平均平均精度（mAP）が向上した。
• WBFは、複数の検出モデルおよびテストセットにおいて一貫した性能向上を示した。
• このアプローチは、モデルの再トレーニングやアーキテクチャの変更を要せず、ポストプロセッシングとして効果的である。