[論文レビュー] Weaving Multi-scale Context for Single Shot Detector

Yunpeng Chen, Jianshu Li+3 more|arXiv (Cornell University)|Dec 8, 2017

Advanced Neural Network Applications参考文献 18被引用数 8

ひとこと要約

この論文では、Single Shot Detectors (SSDs) のための軽量で反復的なマルチスケールコンテキスト統合モジュール WeaveNet を提案する。WeaveNet は、層間で隣接スケールの特徴量を織り交ぜることで、特徴表現を向上させる。最小限の計算コストで効率的な段階的コンテキスト推論を可能にし、ベースライン SSD や StairNet などの最先端手法と比較して顕著な精度向上を達成している。PASCAL VOC 2007 で 101 fps の速度で 79.5% mAP を達成し、追加コストはわずか 4 fps にとどまる。

ABSTRACT

Aggregating context information from multiple scales has been proved to be effective for improving accuracy of Single Shot Detectors (SSDs) on object detection. However, existing multi-scale context fusion techniques are computationally expensive, which unfavorably diminishes the advantageous speed of SSD. In this work, we propose a novel network topology, called WeaveNet, that can efficiently fuse multi-scale information and boost the detection accuracy with negligible extra cost. The proposed WeaveNet iteratively weaves context information from adjacent scales together to enable more sophisticated context reasoning while maintaining fast speed. Built by stacking light-weight blocks, WeaveNet is easy to train without requiring batch normalization and can be further accelerated by our proposed architecture simplification. Experimental results on PASCAL VOC 2007, PASCAL VOC 2012 benchmarks show signification performance boost brought by WeaveNet. For 320x320 input of batch size = 8, WeaveNet reaches 79.5% mAP on PASCAL VOC 2007 test in 101 fps with only 4 fps extra cost, and further improves to 79.7% mAP with more iterations.

研究の動機と目的

• 推論速度を損なわず、マルチスケールコンテキスト集約を効率的に行うことで、Single Shot Detectors (SSDs) の精度と速度のトレードオフを解消すること。
• 従来の手法で用いられる高コストなデコンボリューションや追加の畳み込み層を避けることで、マルチスケール特徴量統合における計算コストを低減すること。
• バッチ正則化を不要とするトレーニング可能なアーキテクチャを設計し、より深いバックボーンの使用を可能とするとともに、段階的なコンテキスト精錬を可能とすること。
• 隣接スケールの特徴量を織り交ぜることで、有効受容 field を段階的に拡大することで、小形および難易度の高い物体の検出を向上させること。
• 推論遅延を最小限に抑えながら、最先端の精度を達成し、SSD が持つ高速性の利点を維持すること。

提案手法

• WeaveNet は、軽量でスタック可能なブロックアーキテクチャを用いて、隣接スケールの特徴量を反復的に統合する新しいネットワークトポロジーを導入する。
• 制御された反復的メカニズムを通じて、高レベルの粗い特徴量と低レベルの細粒度特徴量を織り交ぜることで、マルチスケール推論を実現する。
• 各 WeaveNet ブロックは、深度可分畳み込みと要素ごとの加算を用いることで、計算コストを最小限に抑えつつ滑らかな情報伝達を可能にする。
• バッチ正則化を必要としないアーキテクチャとして設計されており、DPN-131 などのより深いバックボーンの効率的使用が可能である。
• WeaveNet は段階的推論をサポートしており、反復回数を増やすことで精度が向上するが、速度低下はわずかである。
• 冗長な演算を削減することで、さらに推論を高速化するためのアーキテクチャ簡素化手法を提案する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールコンテキスト統合を、SSD のリアルタイム推論速度を維持しつつ、計算的に効率的に行うことは可能か？
• RQ2 重いコンponents を導入せずに、隣接スケールの特徴量を反復的に統合することで、有効受容 field を段階的に拡大することは可能か？
• RQ3 バッチ正則化を不要とするアーキテクチャは、より深いバックボーンをサポートし、安定した学習を可能とし、SSD における特徴表現を向上させられるか？
• RQ4 一回のパスによる統合手法と比較して、反復的特徴量の織り交ぜは、小形および難易度の高い物体の検出を改善するか？
• RQ5 反復回数を増やすことで、WeaveNet の性能を体系的に向上させられ、遅延コストを最小限に抑えられるか？

主な発見

• WeaveNet は、320×320 入力で PASCAL VOC 2007 テストセットで 101 fps の速度で 79.5% mAP を達成し、ベースライン SSD よりもわずか 4 fps の追加コストにとどまる。
• 反復回数を増やすことで、WeaveNet はさらに 79.7% mAP まで向上し、その反復的設計のスケーラビリティを示している。
• PASCAL VOC 2012 では、VGG16 を用いて 77.0% mAP を達成し、ヴァニラ SSD の 75.8% を 1.2 パcentポイント、StairNet の 76.4% を 0.6 パcentポイント上回っている。
• 図 6 に示すように、小形および難易度の高い物体の検出が優れている。よりタイトで正確なバウンディングボックスが得られている。
• k=32 かつ iter=1 の設定で、より多くの反復を用いた設定よりも、速度-精度トレードオフが優れている。Titan X (Pascal) GPU では 67 fps で 79.5% mAP を達成している。
• バッチ正則化を必要とせず、より深いバックボーンをサポートするため、メモリオーバーフローを回避しながら、さらなる精度向上が可能である。