[論文レビュー] YOLOCS: Object Detection based on Dense Channel Compression for Feature Spatial Solidification

Lin Huang, Weisheng Li+4 more|arXiv (Cornell University)|May 7, 2023

Advanced Image and Video Retrieval Techniques被引用数 4

ひとこと要約

本論文は、バックボーン部における特徴空間の強化のためのDense Channel Compression for Feature Spatial Solidification (DCFS) と、ヘッド部における非対称なマルチレベル圧縮解離ヘッド (ADH) を用いたリアルタイム物体検出モデル YOLOCS を提案する。特徴の純度と勾配の流れを向上させることで、YOLOv5 よりも高い性能を達成し、COCO で 50.1% の SOTA AP を達成したが、速度の低下は最小限に抑えられ、YOLOv5 や YOLOX と比較してあらゆるモデルサイズで優れた性能を示した。

ABSTRACT

In this study, we examine the associations between channel features and convolutional kernels during the processes of feature purification and gradient backpropagation, with a focus on the forward and backward propagation within the network. Consequently, we propose a method called Dense Channel Compression for Feature Spatial Solidification. Drawing upon the central concept of this method, we introduce two innovative modules for backbone and head networks: the Dense Channel Compression for Feature Spatial Solidification Structure (DCFS) and the Asymmetric Multi-Level Compression Decoupled Head (ADH). When integrated into the YOLOv5 model, these two modules demonstrate exceptional performance, resulting in a modified model referred to as YOLOCS. Evaluated on the MSCOCO dataset, the large, medium, and small YOLOCS models yield AP of 50.1%, 47.6%, and 42.5%, respectively. Maintaining inference speeds remarkably similar to those of the YOLOv5 model, the large, medium, and small YOLOCS models surpass the YOLOv5 model's AP by 1.1%, 2.3%, and 5.2%, respectively.

研究の動機と目的

• 3×3 畳み込みに依存する既存の YOLO バックボーンネットワークの太さや深さの拡張による性能向上の限界を解消する。
• YOLO アーキテクチャにおける順方向および逆方向伝搬における特徴表現の純度と勾配の流れを向上させる。
• モデルパラメータ数と FLOPs を削減しながら、推論速度と検出精度を維持または向上させる。
• 空間的およびチャネルワイドな特徴統合をより良く行える、新しいバックボーンモジュール (DCFS) とヘッドモジュール (ADH) を開発する。
• リアルタイム推論速度を YOLOv5 と同等に保ちつつ、MSCOCO で最先端の性能を達成する。

提案手法

• 特徴空間の強化のための新しいバックボーンモジュールである Dense Channel Compression for Feature Spatial Solidification Structure (DCFS) を提案し、密なチャネル圧縮によって特徴表現を向上させる。
• 非対称な圧縮を用いた複数スケールの特徴学習を分離する、Asymmetric Multi-Level Compression Decoupled Head (ADH) を導入し、ヘッドネットワークの設計を改善する。
• DCFS をバックボーンおよびネックネットワークに適用し、ネットワーク全体にわたる特徴空間の統一的強化を実現する。
• チャネルワイドなアテンションと特徴融合メカニズムを用いて、逆伝搬中の勾配の流れを強化し、ノイズを低減する。
• DCFS と ADH を YOLOv5 に統合して YOLOCS を構築し、推論速度を維持しながら精度を向上させる。
• 標準的な YOLO 損失関数と NMS を用いてモデルを最適化し、バックボーンおよびヘッド部における構造的改善にのみ焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 密なチャネル圧縮は、YOLOベースの物体検出器における特徴の純度と勾配の流れを効果的に向上させることができるか？
• RQ2 提案された DCFS モジュールは、標準的な CSP ベースのバックボーンと比較して、精度と効率の面で優れているか？
• RQ3 非対称なマルチレベル解離ヘッド設計は、小・中・大サイズの物体を同時に検出性能を向上させることができるか？
• RQ4 YOLOCS は、YOLOv5 や YOLOX よりも高い精度を達成しながらも、リアルタイム推論速度をどの程度維持できるか？
• RQ5 DCFS と ADH の組み合わせにより、MSCOCO ベンチマークで最先端の性能が達成できるか？

主な発見

• YOLOCS-L は MSCOCO テスト・デブで 50.1% の AP を達成し、YOLOv5-L よりも 1.1% 高く、V100 で 90 FPS というほぼ同等の推論速度を維持した。
• YOLOCS-S は 42.6% の AP を達成し、YOLOv5-S よりも 5.2% 向上、YOLOX-S よりも 3.0% 向上し、遅延の増加はわずかであった。
• YOLOCS-M は 47.7% の AP を達成し、YOLOv5-M よりも 2.3% 向上、YOLOX-M よりも 1.3% 向上し、V100 で 115 FPS を達成した。
• 密なチャネル圧縮によりパラメータ数と FLOPs を削減し、精度を損なわず高い効率性を実現した。
• YOLOCS は、YOLOv4 や YOLOX、EfficientDet、RetinaNet など、すべての比較対象 SOTA モデルと比較して、MSCOCO 全てのモデルサイズで優れた性能を示した。
• アブレーションスタディの結果、DCFS と ADH の両方が性能向上に顕著な寄与をしていることが確認され、特に DCFS は特徴空間の強化において顕著な効果を示した。