[论文解读] A Novel Improved Mask RCNN for Multiple Targets Detection in the Indoor Complex Scenes

Zongmin Liu, Jirui Wang+3 more|arXiv (Cornell University)|Jan 7, 2023

Advanced Neural Network Applications被引用 4

一句话总结

本文提出了一种改进的Mask R-CNN模型，通过引入卷积块注意力模块（CBAM）来提升在复杂室内环境中的多目标检测性能。通过整合通道注意力与空间注意力机制，该模型在保持近实时检测速度的同时，相比基线方法实现了更高的准确率和更强的抗干扰能力。

ABSTRACT

With the expansive aging of global population, service robot with living assistance applied in indoor scenes will serve as a crucial role in the field of elderly care and health in the future. Service robots need to detect multiple targets when completing auxiliary tasks. However, indoor scenes are usually complex and there are many types of interference factors, leading to great challenges in the multiple targets detection. To overcome this technical difficulty, a novel improved Mask RCNN method for multiple targets detection in the indoor complex scenes is proposed in this paper. The improved model utilizes Mask RCNN as the network framework. On this basis, Convolutional Block Attention Module (CBAM) with channel mechanism and space mechanism is integrated, and the influence of different background, distance, angle and interference factors are comprehensively considered. Meanwhile, in order to evaluate the detection and identification effects of the established model, a comprehensive evaluation system based on loss function and Mean Average Precision (mAP) is established. For verification, experiments on the detection and identification effects under different distances, backgrounds, angles and interference factors were conducted. The results show that designed model improves the accuracy to a higher level and has a better anti-interference ability than other methods when the detection speed was nearly the same.

研究动机与目标

• 解决在高干扰复杂室内环境中实现多目标精确检测的挑战。
• 提升在室内环境中常见距离、视角角度及背景条件变化下的检测鲁棒性。
• 通过将注意力机制整合到Mask R-CNN框架中，增强深度网络的特征表示能力。
• 建立基于mAP和损失函数的综合评估系统，用于模型验证。
• 通过受控实验验证模型在真实室内场景中的优越性。

提出的方法

• 所提出的方法在标准Mask R-CNN架构基础上，集成卷积块注意力模块（CBAM），联合建模通道注意力与空间注意力。
• CBAM通过基于通道重要性和空间重要性的特征图重校准，提升复杂条件下的特征学习能力。
• 模型采用结合分类损失、边界框回归损失与掩码损失的多目标检测损失函数进行端到端优化训练。
• 建立基于平均精度均值（mAP）和损失函数的综合评估系统，用于在多样化场景下评估性能。
• 在距离、背景复杂度、视角角度及环境干扰等受控变量下开展实验，以测试模型鲁棒性。
• 模型在自定义或标准室内数据集上进行训练与评估，但摘要中未明确具体数据集。

实验结果

研究问题

• RQ1 将CBAM集成到Mask R-CNN中，对复杂室内场景下的检测准确率有何影响？
• RQ2 改进后的模型在不同距离与视角下性能保持程度如何？
• RQ3 在背景杂乱与视觉干扰方面，该模型与基线方法相比的鲁棒性如何？
• RQ4 所提出架构在检测准确率与推理速度之间存在何种权衡？
• RQ5 所提出的评估系统能否有效捕捉在多样化室内条件下性能差异？

主要发现

• 所提模型在复杂室内场景中相比标准Mask R-CNN及其他基线方法实现了更高的检测准确率。
• CBAM的引入显著提升了模型处理背景杂乱与遮挡干扰的能力。
• 模型在保持近实时推理速度的同时，各项测试条件下均取得更优的mAP得分。
• 模型在不同距离与视角下表现出一致的性能提升，表明其具备强大的泛化能力。
• 综合评估系统有效量化了性能增益，尤其在高视觉噪声的挑战性场景中表现突出。
• 结果证实，注意力机制可增强特征表示，从而提升多目标的检测与分割性能。