[論文レビュー] Adapted Center and Scale Prediction: More Stable and More Accurate

Wenhao Wang|arXiv (Cornell University)|Feb 20, 2020

Advanced Neural Network Applications参考文献 53被引用数 16

ひとこと要約

本稿では、元のCSPより訓練の安定性と精度を向上させる、アノテーションフリーでワンステージの歩行者検出器「適応的センターとスケール予測（ACSP）」を提案する。バウンディングボックス幅予測のための「圧縮幅」を導入し、スイッチ可能な正規化（Switchable Normalization）を活用することで、CityPersonsベンチマークにおいて、リーズナブルセットで9.3%のログ平均ミス率、ベアセットで5.6%のミス率を達成し、特化した遮蔽対策を用いなくても高い精度を示した。

ABSTRACT

Pedestrian detection benefits from deep learning technology and gains rapid development in recent years. Most of detectors follow general object detection frame, i.e. default boxes and two-stage process. Recently, anchor-free and one-stage detectors have been introduced into this area. However, their accuracies are unsatisfactory. Therefore, in order to enjoy the simplicity of anchor-free detectors and the accuracy of two-stage ones simultaneously, we propose some adaptations based on a detector, Center and Scale Prediction(CSP). The main contributions of our paper are: (1) We improve the robustness of CSP and make it easier to train. (2) We propose a novel method to predict width, namely compressing width. (3) We achieve the second best performance on CityPersons benchmark, i.e. 9.3% log-average miss rate(MR) on reasonable set, 8.7% MR on partial set and 5.6% MR on bare set, which shows an anchor-free and one-stage detector can still have high accuracy. (4) We explore some capabilities of Switchable Normalization which are not mentioned in its original paper.

研究の動機と目的

• アノテーションフリーのセンターとスケール予測（CSP）検出器の訓練安定性と頑健性を向上させること、特にバッチサイズや入力スケールの変動に強いこと。
• 複雑な後処理や特化したバックボーンに依存せずに、検出精度を向上させること。
• 小バッチおよび大バッチの訓練環境において、スイッチ可能な正規化の未利用に近い潜在的機能を調査すること。
• 局所化精度の向上に寄与する、新たな幅予測法「圧縮幅」を考案すること。
• 単純なワンステージ・アノテーションフリー検出器が、複雑な二段階検出器や遮蔽対応手法と同等の性能を達成できることを示すこと。

提案手法

• 特徴マップからの幅予測に、学習可能なスケーリング係数rを用いて幅を圧縮する「圧縮幅」という新規手法を導入する。
• バッチサイズが小さかったり大きかったりする状況でも訓練安定性を向上させるために、バッチ正規化の代わりにスイッチ可能な正規化（SN）を適用する。
• 収束性の向上とミス率の低減、特にハードサンプルに対して有効であるため、Smooth L1損失の代わりにヴァナイルL1損失を採用する。
• 追加データや後処理を避けて、標準的な増強を用いてCityPersonsデータセットにResNet-101バックボーンで学習する。
• 幅予測式における圧縮比rのハイパーパrameterを最適化し、ヴァナイルL1ではr=0.36、Smooth L1ではr=0.40を設定する。
• 圧縮幅、SN、損失関数の各要因が全体の性能に与える寄与を分離するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 特化した後処理を用いずに、二段階検出器や遮蔽対応検出器と同等の高い精度を達成できるアノテーションフリーでワンステージの検出器は存在するか？
• RQ2 スイッチ可能な正規化は、非理想的なバッチサイズ下で歩行者検出の訓練安定性と性能をどのように向上させるか？
• RQ3 新規な幅予測メカニズム「圧縮幅」が局所化精度に与える影響は何か？
• RQ4 特にハードサンプルに対して、ヴァナイルL1損失はSmooth L1損失を上回るのか、ミス率低減の観点で優れているか？
• RQ5 強力なバックボーンや追加データを用いずに、単純な検出器の適合がCityPersonsでSOTA性能を達成できるか？

主な発見

• ACSPはCityPersonsのリーズナブルセットで9.3%のログ平均ミス率を達成し、遮蔽対応を特化した手法を含むすべての手法の中でも2位の成績を収めた。
• ベアセットでは5.6%のミス率を達成し、評価されたすべての手法の中で最高の性能を示した。
• PSC-Netを除き、遮蔽対応のための特別な処理を一切行わずに、ヘビーセットでも複数のSOTA手法を上回った。
• スイッチ可能な正規化は約0.4%のミス率改善に寄与し、さまざまなバッチサイズで安定した訓練を可能にした。
• 最適化されたr=0.36を用いたヴァナイルL1損失は、Smooth L1損失と比較してミス率を0.3–0.4%低減し、特に部分的遮蔽やベアセットで顕著な改善を示した。
• 圧縮幅手法は局所化精度の向上に寄与し、特に小規模および遮蔽された歩行者に対して全体の性能向上に貢献した。