[论文解读] AttentionNet: Aggregating Weak Directions for Accurate Object Detection

Donggeun Yoo, Sunggyun Park+3 more|arXiv (Cornell University)|Jun 25, 2015

Advanced Neural Network Applications参考文献 27被引用 12

一句话总结

AttentionNet 提出了一种新颖的自顶向下目标检测方法，通过深度卷积神经网络（CNN）从图像角落聚合弱方向预测（例如，左、右、上、下），迭代优化目标边界框。通过将检测任务重新定义为迭代分类任务，该方法在仅使用一个8层网络的情况下，在 PASCAL VOC 2007/2012 上实现了 65.0% 的平均精度（AP），达到当前最先进水平，且无需独立的区域建议网络或后处理回归模块。

ABSTRACT

We present a novel detection method using a deep convolutional neural network (CNN), named AttentionNet. We cast an object detection problem as an iterative classification problem, which is the most suitable form of a CNN. AttentionNet provides quantized weak directions pointing a target object and the ensemble of iterative predictions from AttentionNet converges to an accurate object boundary box. Since AttentionNet is a unified network for object detection, it detects objects without any separated models from the object proposal to the post bounding-box regression. We evaluate AttentionNet by a human detection task and achieve the state-of-the-art performance of 65% (AP) on PASCAL VOC 2007/2012 with an 8-layered architecture only.

研究动机与目标

• 为解决基于 CNN 的目标检测中初始提议质量较差时的精确定位挑战。
• 通过将检测重新表述为一系列弱方向分类任务，克服直接从图像回归到边界框的困难。
• 消除目标检测流水线中对独立区域建议、分类和边界框回归模型的需求。
• 通过统一的、端到端可训练网络，在单类目标检测中实现最先进性能。

提出的方法

• AttentionNet 是一个单一的深度卷积神经网络，从图像的左上角和右下角预测弱方向移动（例如，→，↓，↘），以迭代方式裁剪感兴趣区域。
• 网络为每个角落输出八种可能方向之一（包括“停止”或“非人类”），指导下一步裁剪操作。
• 检测过程是迭代进行的：根据预测的方向裁剪图像，并将结果反馈给网络，直到两个角落均输出“停止”。
• 当两个角落均收敛至“停止”时，最终形成边界框，从而确保定位的高置信度。
• 该方法采用硬决策标准：仅接受两个角落均输出“停止”的边界框，以降低误报率，代价是召回率较低。
• 对于多实例检测，通过滑动窗口方法扩展框架，并基于注意力得分实现高效剪枝。

实验结果

研究问题

• RQ1 能否通过分类式 CNN 进行迭代的弱方向预测，在无需显式回归或建议网络的情况下实现精确定位？
• RQ2 与传统自底向上的目标检测流水线相比，自顶向下的迭代优化策略在定位精度和鲁棒性方面表现如何？
• RQ3 一个单一的统一网络是否能够同时完成目标存在性估计、定位精炼和最终边界框预测，而无需独立组件？
• RQ4 将基于弱方向的检测器与 R-CNN 等互补的自底向上检测器结合，能在多大程度上提升性能？
• RQ5 该方法在小尺寸且视觉特征不明显的挑战性目标类别上是否具备良好的泛化能力？

主要发现

• AttentionNet 仅使用一个 8 层网络，在 PASCAL VOC 2007/2012 的行人检测任务中实现了 65.0% 的平均精度（AP），创下单类检测的新 SOTA 记录。
• 该方法仅生成 4,863 个高置信度边界框，远少于 R-CNN 的 53,624 个，表明尽管召回率较低，但精度显著更高。
• 将 AttentionNet 与 R-CNN 融合后，性能提升至 69.8% AP，证明了自顶向下与自底向上检测策略之间具有强大的互补性。
• 对于具有挑战性的“bottle”类别，AttentionNet 经过精炼后在 VOC 2007 上达到 45.5% AP，在 VOC 2012 上达到 45.0% AP，较之前方法在 VOC 2012 上提升超过 9.4 个百分点。
• 该方法无需微调或类别特定调优，即可良好泛化至非行人类别，表现出对小尺寸和视觉模糊目标的强鲁棒性。
• AttentionNet 的精确率-召回率曲线下降更平缓，表明在低召回率下性能更稳定，提示可通过正样本挖掘或阈值松弛进一步优化。