[論文レビュー] Anchor Box Optimization for Object Detection

Yuanyi Zhong, Jianfeng Wang+2 more|arXiv (Cornell University)|Dec 2, 2018

Advanced Neural Network Applications参考文献 25被引用数 15

ひとこと要約

この論文では、確率的勾配降下法を用いてトレーニング中にアンカーボックスの形状を動的に学習する手法を提案している。これにより、オブジェクト検出器はデータ分布およびネットワーク容量に応じてアンカーサイズとアスペクト比を自動で適応可能にする。本手法は、COCO や Pascal VOC といった複数のベンチマークで一貫した mAP の向上（≥1%）を達成しており、推論コストの増加なしに実現している。

ABSTRACT

In this paper, we propose a general approach to optimize anchor boxes for object detection. Nowadays, anchor boxes are widely adopted in state-of-the-art detection frameworks. However, these frameworks usually pre-define anchor box shapes in heuristic ways and fix the sizes during training. To improve the accuracy and reduce the effort of designing anchor boxes, we propose to dynamically learn the anchor shapes, which allows the anchors to automatically adapt to the data distribution and the network learning capability. The learning approach can be easily implemented with stochastic gradient descent and can be plugged into any anchor box-based detection framework. The extra training cost is almost negligible and it has no impact on the inference time or memory cost. Exhaustive experiments demonstrate that the proposed anchor optimization method consistently achieves significant improvement ($\ge 1\%$ mAP absolute gain) over the baseline methods on several benchmark datasets including Pascal VOC 07+12, MS COCO and Brainwash. Meanwhile, the robustness is also verified towards different anchor initialization methods and the number of anchor shapes, which greatly simplifies the problem of anchor box design.

研究の動機と目的

• オブジェクト検出フレームワークにおけるヒューリスティックで固定されたアンカーボックス設計による性能の劣化を是正すること。
• トレーニング中にアンカーサイズを学習可能とするため、手動によるアンカーシェイプのチューニングの必要性を排除すること。
• 推論コストの増加なしに、多様なデータセットおよび検出器アーキテクチャにおいて検出精度を向上させること。
• 異なるアンカーチェイジング戦略およびアンカーシェイプ数に対して本手法のロバスト性を示すこと。

提案手法

• アンカーキャンバスの幅と高さをトレーニング中に確率的勾配降下法で更新可能なパラメータとして扱う。
• 初期トレーニング段階の安定化のため、真のボックスをアンカーに段階的に割り当てるソフトアサインメントのウォームアップ戦略を導入する。
• トレーニング中にオンラインクラスタリングを適用し、アンカーシェイプの精錬を図ることで収束性と適応性を向上させる。
• 特にアンカーオプティマイゼーションと組み合わせた場合に、トレーニングの安定化を図るため、シフトなしのバッチ正規化（BN）を適用する。
• YOLoV2 や Faster R-CNN といった既存のアンカーベース検出器に、最小限のアーキテクチャ変更で本手法を統合する。
• 推論ネットワークを変更しないことで、推論効率を維持し、実行時およびメモリのオーバーヘッドを発生させない。

実験結果

リサーチクエスチョン

• RQ1 トレーニング中にアンカーボックスの形状を効果的に学習可能であり、検出精度の向上に寄与するか？
• RQ2 異なる初期化手法（例：一様、k-means、COCOベース）におけるアンカーオプティマイゼーションの性能は？
• RQ3 アンカーシェイプの数を変化させた場合でも、本手法は有効に機能するか？
• RQ4 安定的かつ効果的なアンカーオプティマイゼーションに不可欠なトレーニング技術は何か？
• RQ5 本手法はワンステージおよびツーフェーズ検出器に一般化可能か？

主な発見

• k-meansアンカーで初期化した Brainwash データセットにおいて、本手法は 1.2% の絶対的な mAP 向上を達成し、78.98% から 80.18% に向上した。
• YOLOv2 を用いた Pascal VOC 07+12 では、ResNet50 FPN を使用した場合、mAP が 1.0% 向上（78.52% から 79.52%）した。
• COCO 2017 では、Faster R-CNN と ResNet50 FPN を用いた場合、mAP@.5:.95 が 0.31 ポints 向上（36.78% から 37.09%）した。
• 一様、k-means、COCOベースのアンカーを含む、さまざまなアンカーチェイジング手法に対しても、本手法は一貫した性能向上を示した。
• アンカーシェイプの数に関わらず、0.5% から 1.2% の mAP 向上が得られ、アンカーカウントに依存しないロバスト性を示した。
• COCO 2017 において、トップ 50 のプロポーザルで RPN 再現率が 0.83% 向上し、トップ 100 では 0.51% 向上した。これは、より優れたプロポーザル品質を示している。