[논문 리뷰] FCHD: A fast and accurate head detector.

Aditya Vora|arXiv (Cornell University)|2018. 09. 24.

Advanced Neural Network Applications참고 문헌 21인용 수 7

한 줄 요약

FCHD는 특징 맵의 수신장에 기반한 철저히 설계된 앵커를 사용하는 완전 컨volutional, 앵커 기반의 객체 검출 모델로, 보통의 하드웨어에서 5 fps에서 0.70의 평균 정밀도를 달성한다. 이는 빠른 속도와 효율성으로 기준 모델을 능가하면서도 높은 정확도를 유지하므로 감시 시스템에서 엣지 장치에 적합하다.

ABSTRACT

In this paper, we propose FCHD-Fully Convolutional Head Detector, which is an end-to-end trainable head detection model, which runs at 5 fps and with 0.70 average precision (AP), on a very modest GPU. Recent head detection techniques have avoided using anchors as a starting point for detection especially in the cases where the detection has to happen in the wild. The reason is poor performance of anchor-based techniques under scenarios where the object size is small. We argue that a good AP can be obtained with carefully designed anchors, where the anchor design choices are made based on the receptive field size of the hidden layers. Our contribution is two folds. 1) A simple fully convolutional anchor based model which is end-to-end trainable and has a very low inference time. 2) Carefully chosen anchor sizes which play a key role in getting good average precision. Our model achieves comparable results than many other baselines on challenging head detection dataset like BRAINWASH. Along with accuracy, our model has least runtime among all the baselines along with modest hardware requirements which makes it suitable for edge deployments in surveillance applications. The code is made open-source at https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector.

연구 동기 및 목표

• 실시간 엣지 배포에 적합한 빠르고 정확한 헤드 검출 모델을 개발하는 것.
• 작은 객체 검출에서 앵커 없는 방법의 한계를 잘 설계된 앵커 기반 접근법을 통해 극복하는 것.
• 아키텍처 및 앵커 설계 선택을 통해 추론 시간을 단축하면서도 높은 평균 정밀도를 유지하는 것.
• 앵커 기반 검출이 제약이 없는 환경에서 헤드와 같은 작은 객체에서 경쟁 가능한 성능을 달성할 수 있는지 보여주는 것.
• 최소한의 하드웨어 요구 사항을 가진 오픈소스, 엔드 투 엔드 학습 가능한 모델을 제공하는 것.

제안 방법

• 모델은 엔드 투 엔드 학습과 추론을 가능하게 하는 완전 컨볼루션 신경망 아키텍처를 사용한다.
• 각 특징 레이어의 수신장 크기에 기반해 앵커 크기를 특별히 설계하여 작은 객체 검출 성능을 향상시킨다.
• 표준 검출 손실 함수를 사용해 엔드 투 엔드로 학습되며, 영역 제안 네트워크가 필요로 하지 않는다.
• 다양한 스케일의 특징 맵을 활용해 각 수신장 내에서 크기가 다른 헤드를 검출한다.
• 앵커 설계 과정에서 각 특징 레이어의 예상 객체 크기와의 공간 정렬을 우선시한다.
• 추론 속도 최적화를 위해 아키텍처를 조정하여 보통의 GPU에서 5 fps 성능을 달성한다.

실험 결과

연구 질문

• RQ1 수신장 크기에 기반한 앵커 설계를 통해 앵커 기반의 헤드 검출 모델이 제약이 없는 환경에서 작은 객체인 헤드에 대해 높은 정확도를 달성할 수 있는가?
• RQ2 수신장 크기에 기반한 앵커 설계가 작은 객체 검출 성능에 어떤 영향을 미치는가?
• RQ3 완전 컨볼루션, 앵커 기반 모델이 헤드 검출에서 앵커 없는 방법보다 속도와 정확도 면에서 뛰어난 성능을 낼 수 있는가?
• RQ4 보통의 하드웨어 제약 조건 하에서 헤드 검출에서 추론 속도와 정확도 사이의 상충 관계는 어떠한가?
• RQ5 이러한 모델은 실시간 감시 응용을 위해 엣지 장치에 효율적으로 배포될 수 있는가?

주요 결과

• FCHD는 BRAINWASH 데이터셋에서 0.70의 평균 정밀도를 달성하여 많은 최첨단 기준 모델과 동등하거나 이를 초월한다.
• 모델은 보통의 GPU에서 5 fps로 실행되어 비교된 모든 기준 모델 중에서 가장 빠른 성능을 보인다.
• 최소한의 하드웨어 요구 사항 덕분에 실시간 감시 응용을 위한 엣지 장치에 배포가 가능하다.
• 수신장 크기에 기반한 철저히 설계된 앵커는 작은 객체 검출 정확도를 크게 향상시킨다.
• 엔드 투 엔드 학습 가능한 완전 컨볼루션 아키텍처는 높은 효율성과 낮은 추론 시간을 보장한다.
• https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector에서 오픈소스로 공개되어 재현성과 향후 연구를 지원한다.