[논문 리뷰] Enhancement of SSD by concatenating feature maps for object detection

Jisoo Jeong, Hyojin Park외 1명|arXiv (Cornell University)|2017. 05. 26.

Advanced Neural Network Applications인용 수 50

한 줄 요약

Rainbow SSD (R-SSD)는 계층 간 관계를 활용하기 위해 스케일 간 특징들을 연결(concatenate)함으로써 SSD를 향상시키고, 기본 네트워크를 바꾸지 않고도 비슷한 속도에서 더 높은 mAP를 얻는다.

ABSTRACT

We propose an object detection method that improves the accuracy of the conventional SSD (Single Shot Multibox Detector), which is one of the top object detection algorithms in both aspects of accuracy and speed. The performance of a deep network is known to be improved as the number of feature maps increases. However, it is difficult to improve the performance by simply raising the number of feature maps. In this paper, we propose and analyze how to use feature maps effectively to improve the performance of the conventional SSD. The enhanced performance was obtained by changing the structure close to the classifier network, rather than growing layers close to the input data, e.g., by replacing VGGNet with ResNet. The proposed network is suitable for sharing the weights in the classifier networks, by which property, the training can be faster with better generalization power. For the Pascal VOC 2007 test set trained with VOC 2007 and VOC 2012 training sets, the proposed network with the input size of 300 x 300 achieved 78.5% mAP (mean average precision) at the speed of 35.0 FPS (frame per second), while the network with a 512 x 512 sized input achieved 80.8% mAP at 16.6 FPS using Nvidia Titan X GPU. The proposed network shows state-of-the-art mAP, which is better than those of the conventional SSD, YOLO, Faster-RCNN and RFCN. Also, it is faster than Faster-RCNN and RFCN.

연구 동기 및 목표

• 입력 데이터에 근접한 기본 네트워크를 변경하지 않으면서 SSD 정확도 향상을 모티브로 삼는다.
• 특징 피라미드의 계층 간 관계를 어떻게 활용하여 더 나은 탐지를 얻을 수 있는지 탐구한다.
• 작은 객체 감지를 향상시키기 위해 특징 맵의 수를 효율적으로 늘린다.
• 훈련 속도와 일반화를 향상시키기 위해 분류기에 가중치 공유를 가능하게 한다.

제안 방법

• 하위 계층의 풀링된 특징과 상위 계층의 디컨볼루션된 특징을 결합하는 Rainbow 특징 연결을 도입한다.
• 결합 전에 배치 정규화를 적용하여 특징 스케일을 정규화한다.
• 다중 스케일 정보를 융합하기 위해 풀링 기반 및 디컨볼루레이션 기반 연결을 구현한다.
• 레이어 간 특징 맵 채널을 맞춰 스케일 간 공유 가중치를 갖는 단일 분류기 네트워크를 제안한다.
• 300x300 및 512x512 입력에서 VOC2007+2012에 대해 기존 SSD, 풀링/디컨볼루션 변형, ISSD, 및 R-SSD를 비교한다.

실험 결과

연구 질문

• RQ1 SSD 피처 피라미드에서 명시적 계층 간 상호작용이 탐지 정확도를 향상시킬 수 있는가, 특히 작은 물체의 경우?
• RQ2 기본 네트워크가 아닌 피라미드에서만 특징 맵 채널을 늘리면 관리 가능한 속도와 함께 더 나은 정확도를 얻을 수 있는가?
• RQ3 스케일 간 채널 차원을 맞춘 단일 공유 분류기가 일반화와 훈련 효율성을 향상시키는가?
• RQ4 Rainbow 연결이 PASCAL VOC07/12에서 물체 크기에 따른 재현율과 정밀도에 어떤 영향을 미치는가?

주요 결과

• R-SSD with 300 input achieves 78.5% mAP at 35.0 FPS on VOC07+12.
• R-SSD with 512 input achieves 80.8% mAP at 16.6 FPS on VOC07+12.
• R-SSD outperforms conventional SSD, YOLO, Faster-RCNN, and RFCN in mAP while maintaining competitive speed.
• A single classifier with shared weights across scales can maintain competitive accuracy and improve training efficiency on imbalanced or small datasets.
• Compared to ISSD, R-SSD offers higher accuracy with less speed degradation, and is faster than some alternatives with similar accuracy (e.g., Faster-RCNN, RFCN) at comparable mAP levels.