[논문 리뷰] BING++: A Fast High Quality Object Proposal Generator at 100fps

Ziming Zhang, Yun Liu외 3명|arXiv (Cornell University)|2015. 11. 14.

Advanced Neural Network Applications참고 문헌 51인용 수 20

한 줄 요약

BING++는 가장자리 특징과 거리 변환을 사용하여 경계 상자들을 순환적으로 개선함으로써 BING의 효율성과 국소화 정확도를 향상시키는 빠르고 고성능의 객체 제안 생성기이다. VOC2007에서 100fps에서 0.009초당 1장의 이미지로 95.3%의 탐지 재현율과 68.7%의 mAP를 달성한다.

ABSTRACT

We are motivated by the need for an object proposal generation algorithm that achieves a good balance between proposal localization quality, object recall and computational efficiency. We propose a novel object proposal algorithm {\em BING++} which inherits the good computational efficiency of BING \cite{BingObj2014} but significantly improves its proposal localization quality. Central to our success is based on the observation that good bounding boxes are those that tightly cover objects. Edge features, which can be computed efficiently, play a critical role in this context. We propose a new algorithm that recursively improves BING's proposals by exploiting the fact that edges in images are typically associated with object boundaries. BING++ improves proposals recursively by incorporating nearest edge points (to proposal boundary pixels) to obtain a tighter bounding box. This operation has linear computational complexity in number of pixels and can be done efficiently using distance transform. Superpixel merging techniques are then employed as post-processing to further improve the proposal quality. Empirically on the VOC2007 dataset, using $10^3$ proposals and IoU threshold 0.5, our method achieves 95.3\% object detection recall (DR), 79.2\% mean average best overlap (MABO), and 68.7\% mean average precision (mAP) on object detection over 20 object classes within an average time of {\bf 0.009} seconds per image.

연구 동기 및 목표

• 국소화 정확도, 객체 재현율, 계산 효율성의 균형을 고려한 빠르고 고성능의 객체 제안 알고리즘의 필요성을 해결한다.
• BING의 국소화 성능을 유지하면서도 향상시킨다.
• 가장자리 특징과 거리 변환을 활용하여 객체 경계 주변의 경계 상자를 더욱 정밀하게 조정한다.
• 순환적 개선과 슈퍼픽셀 기반 후처리를 통해 제안 품질을 향상시킨다.
• 고속 추론 속도에서 최신 기술 수준의 성능을 달성한다: 객체 탐지 재현율과 평균 평균 정확도(mAP)

제안 방법

• 제안 경계 픽셀에 가장 가까운 가장자리 점들을 통합하여 초기 BING 제안을 순환적으로 개선함으로써 경계 상자를 더욱 조여서 정밀도를 높인다.
• 각 경계 픽셀에 가장 가까운 가장자리 점을 효율적으로 계산하기 위해 거리 변환을 활용하며, 픽셀 수에 비례하는 선형 계산 복잡도를 확보한다.
• 가장자리 특징을 객체 경계의 대체 지표로 활용하며, 가장자리가 일반적으로 객체 윤곽선과 일치하기 때문에 이를 유리하게 활용한다.
• 후처리 단계에서 슈퍼픽셀 융합 기법을 적용하여 제안 품질을 추가로 향상시키고 중복을 줄인다.
• 가장자리 인식 개선과 효율적인 거리 변환의 통합을 통해 실시간 성능를 유지하면서도 국소화 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 가장자리 근접도를 활용한 순환적 개선이 객체 제안 생성에서 경계 상자 국소화 정확도를 향상시킬 수 있는가?
• RQ2 거리 변환된 가장자리 특징을 통합하면 속도를 희생시키지 않고 더 조밀하고 정확한 제안을 얻을 수 있는가?
• RQ3 초기 개선 후 슈퍼픽셀 융합이 얼마나 제안 품질을 향상시킬 수 있는가?
• RQ4 BING와 비교할 때 제안의 재현율, 오버랩 품질, 추론 속도 측면에서 본 방법의 성능은 어떠한가?
• RQ5 표준 벤치마크에서 실시간 성능(100fps)을 유지하면서도 높은 탐지 재현율과 mAP를 달성할 수 있는가?

주요 결과

• BING++는 VOC2007에서 1,000개의 제안과 0.5의 IoU 임계값을 사용할 때 95.3%의 객체 탐지 재현율(DR)을 달성한다.
• 평균 평균 최고 오버랩(MABO)이 79.2%로, 이는 이전 방법들에 비해 훨씬 뛰어난 국소화 정확도를 의미한다.
• BING++는 VOC2007의 20개 클래스에 걸쳐 객체 탐지에서 68.7%의 평균 평균 정확도(mAP)를 기록하여 뛰어난 탐지 성능를 입증한다.
• 알고리즘은 100fps로 실행되며, 평균 추론 시간은 1장당 0.009초로 높은 효율성을 유지한다.
• 가장자리 특징과 거리 변환을 활용한 순환적 개선은 계산 복잡도를 증가시키지 않으면서도 제안의 조밀함을 크게 향상시킨다.
• 후처리 단계에서의 슈퍼픽셀 융합은 오버랩 오류를 줄이고 일관성을 향상시켜 제안 품질을 추가로 향상시킨다.