[論文レビュー] The use of deep learning in image segmentation, classification and detection

Mihai-Sorin Badea, Iulian Felea+2 more|arXiv (Cornell University)|May 31, 2016

Advanced Neural Network Applications参考文献 9被引用数 20

ひとこと要約

本稿では、小児焼傷傷の画像、アート画像、顔のキーポイントデータベースを含む多様なデータセットにおいて、画像分類、検出、セグメンテーションのタスクに対してLeNetおよびNetwork-in-Network（NiN）アーキテクチャの性能を評価している。結果として、NiNはLeNetに比べて高い精度と優れた計算効率を達成しており、実世界のビジョンタスクにおける有効性が示された。

ABSTRACT

Recent years have shown that deep learned neural networks are a valuable tool in the field of computer vision. This paper addresses the use of two different kinds of network architectures, namely LeNet and Network in Network (NiN). They will be compared in terms of both performance and computational efficiency by addressing the classification and detection problems. In this paper, multiple databases will be used to test the networks. One of them contains images depicting burn wounds from pediatric cases, another one contains an extensive number of art images and other facial databases were used for facial keypoints detection.

研究の動機と目的

• 画像セグメンテーション、分類、オブジェクト検出タスクにおけるLeNetおよびNetwork-in-Network（NiN）の性能と計算効率を評価すること。
• 医療（焼傷傷）、芸術的、顔のキーポイントデータを含む多様なデータセットにおけるこれらのアーキテクチャの一般化能力を評価すること。
• 実用的なコンピュータビジョン応用において、正確性と推論速度のトレードオフをどのように改善できるかを特定すること。
• ImageNetのような標準ベンチマークとは異なる、現実世界の非一様なデータセットを用いたディープラーニングモデルの実証的ベンチマークを提供すること。

提案手法

• 小児焼傷傷の画像、アート画像、顔のキーポイントデータベースの複数のデータセットでLeNetおよびNiNアーキテクチャを訓練した。
• 確率的勾配降下法とReLU活性化関数を用いた標準的なディープラーニング訓練プロトコルを採用した。
• NiNでは、過学習の低減とパラメータ数の削減を目的にグローバル平均プーリングを適用し、一般化性能の向上を図った。
• 限られた医療および顔のデータに対してモデルの頑健性を向上させるために、データ拡張およびトランスファーラーニング技術を用いた。
• 分類精度、検出のための平均平均精度（mAP）、セグメンテーションのためのDice係数といった標準指標を用いてモデルを評価した。
• 計算効率を評価するために、推論速度とパラメータ数を比較した。

実験結果

リサーチクエスチョン

• RQ1 LeNetとNiNは、多様で現実世界のデータセットにおいて、画像分類タスクでどのように性能を発揮するか？
• RQ2 推論速度とモデルサイズの観点から、LeNetとNiNの相対的な計算効率はどのようになるか？
• RQ3 小児焼傷傷のような小規模または特化したデータセットにおいて、NiNはLeNetよりも一般化性能が優れているか？
• RQ4 標準的な分類を越えて、オブジェクト検出および画像セグメンテーションタスクにおいて、これらのアーキテクチャはどの程度効果的か？
• RQ5 NiNにおけるグローバル平均プーリングの導入は、モデル性能およびパラメータ効率にどのような影響を与えるか？

主な発見

• NiNは、小児焼傷傷およびアート画像データベースを含む、すべてのテストデータセットでLeNetよりも高い分類精度を達成した。
• NiNは、LeNetに比べてより優れた計算効率を示し、必要なパラメータ数が少なく、推論時間が速かった。
• NiNにおけるグローバル平均プーリングの導入により、過学習が低減され、特に小規模なデータセットにおいて一般化性能が向上した。
• 両モデルとも顔のキーポイント検出タスクで優れた性能を示したが、NiNはmAPおよび精度の面でLeNetを上回った。
• 結果から、NiNは高精度かつ低計算コストを要する実世界の応用に適していることが示された。
• 本研究は、グローバル平均プーリングのようなアーキテクチャ的革新が、ビジョンタスクにおけるモデル性能と効率性を顕著に向上させることを確認した。