[论文解读] 1-HKUST: Object Detection in ILSVRC 2014

Cewu Lu, Hao Chen+4 more|arXiv (Cornell University)|Sep 22, 2014

Advanced Image and Video Retrieval Techniques参考文献 6被引用 4

一句话总结

本论文介绍了1-HKUST团队在ILSVRC 2014目标检测挑战赛中提交的系统，该系统在未使用额外训练数据的情况下取得了第4名的成绩。该方法结合选择性搜索生成的候选区域与基于深度学习的边界框回归以提升定位精度，同时通过类别特定的SVM融合RCNN、DPM和IFV特征进行识别，并引入学习得到的背景与交互先验，以提升检测准确率并过滤误检。

ABSTRACT

The Imagenet Large Scale Visual Recognition Challenge (ILSVRC) is the one of the most important big data challenges to date. We participated in the object detection track of ILSVRC 2014 and received the fourth place among the 38 teams. We introduce in our object detection system a number of novel techniques in localization and recognition. For localization, initial candidate proposals are generated using selective search, and a novel bounding boxes regression method is used for better object localization. For recognition, to represent a candidate proposal, we adopt three features, namely, RCNN feature, IFV feature, and DPM feature. Given these features, category-specific combination functions are learned to improve the object recognition rate. In addition, object context in the form of background priors and object interaction priors are learned and applied in our system. Our ILSVRC 2014 results are reported alongside with the results of other participating teams.

研究动机与目标

• 为ILSVRC 2014挑战赛开发一个在计算资源有限条件下的鲁棒目标检测系统。
• 通过基于深度学习的边界框回归方法，对选择性搜索生成的候选区域进行优化，以提升目标定位精度。
• 通过融合多种最先进的特征（RCNN、DPM和IFV），提升多类别检测设置下的识别准确率。
• 通过学习背景与目标间交互的上下文先验，引入场景上下文信息，以减少误检。
• 在资源受限条件下实现具有竞争力的性能，证明特征融合与上下文建模的有效性。

提出的方法

• 使用选择性搜索生成初始目标候选区域，以识别图像中的潜在目标区域。
• 训练一个基于深度学习的回归器，用于优化边界框坐标，从而在选择性搜索输出的基础上进一步提升定位精度。
• 对每个候选区域提取三种不同的特征表示：基于微调后的CaffeNet类卷积神经网络提取的RCNN特征，基于200个训练好的DPM模型提取的DPM特征，以及通过快速IFV计算获得的IFV特征。
• 在识别阶段，对拼接后的600维特征向量（每类特征贡献200维）训练200个类别特定的SVM。
• 通过在ILSVRC 2014数据集上训练的“存在先验模型”（PPM）对背景先验进行建模，该模型可为每张图像输出多个场景标签，用于剔除置信度较低的检测结果。
• 学习并应用目标间交互先验，基于检测目标之间的上下文关系进一步优化检测得分。

实验结果

研究问题

• RQ1 基于深度学习的边界框回归在从选择性搜索候选区域出发时，如何提升目标定位性能？
• RQ2 在多类别检测设置下，融合多种互补特征（RCNN、DPM、IFV）在多大程度上能提升目标识别性能？
• RQ3 通过利用场景上下文信息，学习得到的背景先验是否能显著减少误检？
• RQ4 目标间交互先验的整合在多大程度上能提升检测准确率？
• RQ5 在计算资源有限的条件下，设计良好的特征融合与上下文建模流程能实现怎样的性能表现？

主要发现

• 1-HKUST系统在ILSVRC 2014目标检测测试集上实现了0.289的平均平均精度（mAP），且未使用额外训练数据。
• 该团队在检测赛道中总排名第4名，成功识别18个目标类别，即使在考虑使用与不使用额外训练数据的团队时，仍保持第4名。
• 背景先验的使用显著提升了检测质量，尤其在语义上不合理的场景中（如室内出现游艇）有效过滤了大量误检。
• 尽管计算资源有限——仅使用一台24核服务器和一台6核PC——系统仍实现了具有竞争力的性能，表明其在进一步优化下具有巨大潜力。
• 系统成功检测到诸如“在鹅卵石上的一只蜥蜴”等复杂视觉场景中的挑战性案例，这些情况甚至对人类识别也极具挑战，充分体现了其在复杂场景下的鲁棒性。
• 深度回归、多特征融合与上下文建模的结合被证明极为有效，其性能优于多个资源更丰富的参赛团队。