[논문 리뷰] Efficient pedestrian detection by directly optimize the partial area under the ROC curve

Sakrapee Paisitkriangkrai, Chunhua Shen외 1명|arXiv (Cornell University)|2013. 10. 03.

Video Surveillance and Tracking Methods참고 문헌 3인용 수 6

한 줄 요약

이 논문은 사용자가 정의한 가짜 양성 비율 범위에서 ROC 곡선의 부분 면적(pAUC)을 직접 최적화하는 새로운 앙상블 학습 방법 pAUCEns를 제안한다. 이는 보다 효과적인 보행자 검출을 가능하게 하며, 구조적 학습을 통해 잘못 순서가 매겨진 양성-음성 샘플 쌍을 우선순위에 두어, 최소한의 특징 공학으로도 표준 벤치마크에서 최신 기술 수준의 성능을 달성한다. 기본 HOG+COV AdaBoost 대비 INRIA 테스트 세트에서 평균 빠짐률을 7% 감소시킨다.

ABSTRACT

Many typical applications of object detection operate within a prescribed false-positive range. In this situation the performance of a detector should be assessed on the basis of the area under the ROC curve over that range, rather than over the full curve, as the performance outside the range is irrelevant. This measure is labelled as the partial area under the ROC curve (pAUC). Effective cascade-based classification, for example, depends on training node classifiers that achieve the maximal detection rate at a moderate false positive rate, e.g., around 40% to 50%. We propose a novel ensemble learning method which achieves a maximal detection rate at a user-defined range of false positive rates by directly optimizing the partial AUC using structured learning. By optimizing for different ranges of false positive rates, the proposed method can be used to train either a single strong classifier or a node classifier forming part of a cascade classifier. Experimental results on both synthetic and real-world data sets demonstrate the effectiveness of our approach, and we show that it is possible to train state-of-the-art pedestrian detectors using the proposed structured ensemble learning method.

연구 동기 및 목표

• 표준 분류기가 실세계 응용에서 중요한 제약 조건이 되는 가짜 양성 비율 예산이 있는 실용적 성능 지표인 pAUC를 최적화하지 못하는 한계를 해결하기 위해.
• 사용자가 정의한 가짜 양성 비율 범위 [α, β]에서 pAUC를 직접 최적화하는 원칙적이고 효율적인 앙상블 학습 방법을 개발하여, 히우리스틱 또는 교차검증 기반의 파rameter 조정에 의존하지 않기 위해.
• 각 노드가 중간 수준의 가짜 양성 비율(예: 약 50%)에서 높은 탐지율을 달성해야 하는 캐스케이드 기반 검출기의 훈련을 가능하게 하기 위해, 관련된 FPR 범위에서 pAUC를 직접 최적화함으로써.
• 단순한 검출기(단지 HOG 및 COV 특징만 사용)가 pAUC 최적화 학습을 통해 최신 기술 수준의 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 이 방법은 사용자가 정의한 가짜 양성 비율 범위 [α, β]에서 부분 AUC 점수를 최적화하기 위해 구조적 학습을 활용하며, 최적화를 구조적 예측 문제로 간주한다.
• 각 부스팅 반복 과정에서, 순서 오류(즉, 양성 인스턴스가 음성 인스턴스보다 낮게 순서가 매겨진 경우)를 가진 샘플을 우선순위에 두어 훈련 샘플을 재가중한다.
• 자신의 FPR 범위 제약 조건 하에 pAUC 점수를 효율적으로 최대화하기 위해, 구조적 서포트 벡터 머신의 이중 문제를 해결하는 커팅 플레인 알고리즘을 사용한다.
• 표준 부스팅 파ip라인과 호환되며, 기존의 부스팅 기반 검출 파이프라인에 최소한의 코드 변경으로 적용 가능하여, 단일 강력한 분류기 또는 캐스케이드 검출기의 개별 노드 분류기 훈련에 모두 적용할 수 있다.
• Asymmetric AdaBoost나 Cost-Sensitive AdaBoost에서 관찰되는 비대칭 파rameter 수동 조정이 필요 없도록, 직접적으로 원하는 성능 지표를 최적화함으로써 이를 방지한다.

실험 결과

연구 질문

• RQ1 사용자가 정의한 가짜 양성 비율 범위에서 pAUC 점수를 간접적 또는 히우리스틱 최적화가 아닌 직접 최적화할 수 있는 학습 방법을 설계할 수 있는가?
• RQ2 표준 부스팅 및 비대칭 부스팅 방법과 비교하여, pAUC 직접 최적화는 보행자 검출 벤치마크에서 탐지 성능 측면에서 어떻게 성과를 내는가?
• RQ3 단지 HOG 및 COV 특징만 사용하는 단순한 검출기가 pAUC 최적화 학습을 통해 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ4 제안된 방법은 실세계 응용에서 매우 중요한 낮은 가짜 양성 비율 영역(예: FPPI < 0.1)에서 더 나은 성능을 내는가?

주요 결과

• 사용자가 정의한 FPPI 범위 [0, 0.1]에서 pAUC를 최적화할 경우, 기준 HOG+COV AdaBoost 분류기 대비 INRIA 테스트 세트에서 평균 빠짐률이 7% 감소한다.
• TUD-Brussels 및 ETH 테스트 세트에서, 특히 크기가 큰 보행자(≥100 픽셀 높이) 설정에서, LatSvm 및 컨볼루션 네트워크 기반 접근법을 포함한 최신 기술 수준의 검출기들과 비교해 유사하거나 뛰어난 pAUC 점수를 기록한다.
• FPPI 범위 [0, 0.1]에서 INRIA-Fixed 세트에서는 pAUC 89.4%를, TUD-Brussels 세트에서는 97.8%를 기록하여, 이 중요한 낮은 FPPI 영역에서 대부분의 경쟁자들을 능가한다.
• 중간 크기 보행자 설정(30~80 픽셀 높이)에서 INRIA-Fixed 세트에서 pAUC 89.6%를 기록하여, 가장 고급 모델을 제외한 모든 모델을 능가하며, 다양한 크기에서의 강건성을 입증한다.
• 이 방법은 매우 효율적이며, 기존의 부스팅 기반 검출 파이프라인에 통합하기 위해 최소한의 코드 변경만 필요하여 실세계 구현에 실용적이다.