[论文解读] Underwater object detection using Invert Multi-Class Adaboost with deep learning

Long Chen, Zhihua Liu+5 more|arXiv (Cornell University)|May 23, 2020

Advanced Neural Network Applications参考文献 32被引用 11

一句话总结

本文提出SWIPENet，一种结合超特征图的深度神经网络，用于提升水下图像中小目标检测的性能，并引入一种逆向多类别Adaboost（IMA）样本重加权算法以缓解噪声数据的影响。SWIPENet+IMA框架在URPC2018数据集上实现了64.5的mAP，超越现有方法超过3.9%。

ABSTRACT

In recent years, deep learning based methods have achieved promising performance in standard object detection. However, these methods lack sufficient capabilities to handle underwater object detection due to these challenges: (1) Objects in real applications are usually small and their images are blurry, and (2) images in the underwater datasets and real applications accompany heterogeneous noise. To address these two problems, we first propose a novel neural network architecture, namely Sample-WeIghted hyPEr Network (SWIPENet), for small object detection. SWIPENet consists of high resolution and semantic rich Hyper Feature Maps which can significantly improve small object detection accuracy. In addition, we propose a novel sample-weighted loss function which can model sample weights for SWIPENet, which uses a novel sample re-weighting algorithm, namely Invert Multi-Class Adaboost (IMA), to reduce the influence of noise on the proposed SWIPENet. Experiments on two underwater robot picking contest datasets URPC2017 and URPC2018 show that the proposed SWIPENet+IMA framework achieves better performance in detection accuracy against several state-of-the-art object detection approaches.

研究动机与目标

• 解决由于真实水下图像中分辨率低和模糊导致的小目标检测挑战。
• 缓解水下数据集中异质性噪声对检测性能的负面影响。
• 通过利用高分辨率且富含语义信息的超特征图，改进小目标的特征表示。
• 设计一种稳健的样本重加权策略，以减少训练过程中噪声样本的影响，特别是对误分类或噪声样本的影响。
• 在基准水下目标检测数据集URPC2017和URPC2018上实现最先进性能。

提出的方法

• 提出SWIPENet，一种新颖的神经网络架构，通过整合多个高分辨率且富含语义信息的超特征图，以增强小目标检测能力。
• 设计一种样本加权损失函数，基于样本重要性动态调整训练损失，采用新颖的重加权机制。
• 提出逆向多类别Adaboost（IMA），一种基于检测的样本重加权算法，通过在每次迭代中提高误分类样本的权重，以增强模型鲁棒性。
• 以迭代方式训练SWIPENet并结合IMA，其中样本权重根据分类错误情况进行更新，使模型更关注困难或噪声样本。
• 通过在不同IMA迭代阶段训练多个SWIPENet模型并进行模型集成，进一步提升性能。
• 在两个真实水下数据集URPC2017和URPC2018上进行训练与评估，采用标准目标检测指标，包括mAP以及各类别的精确率/召回率。

实验结果

研究问题

• RQ1 具有增强特征表示的深度神经网络架构是否能提升小水下目标的检测准确率？
• RQ2 基于分类错误的样本重加权策略在多大程度上能减轻噪声样本对水下目标检测的影响？
• RQ3 超特征图与迭代样本重加权的结合是否能在多种水下目标类别中带来一致的性能提升？
• RQ4 所提出的SWIPENet+IMA框架与SSD、YOLOv3和Faster R-CNN等最先进检测器相比，在真实水下数据集上的表现如何？
• RQ5 模型集成是否能进一步提升检测性能，尤其是在小目标或难检测目标上？

主要发现

• 在URPC2018上，所提出的SWIPENet+IMA集成模型实现了64.5的平均平均精度（mAP），超越所有最先进方法超过3.9个百分点。
• OurBestSingle模型在URPC2018上实现了63.3 mAP，相比OurFirstSingle提升了1.1%，证明了迭代IMA重加权的有效性。
• 在URPC2017上，集成模型实现了46.3 mAP，优于官方URPC2017竞赛优胜者及所有基线方法。
• SWIPENet架构在小目标检测方面表现显著提升，例如海参和扇贝的检测效果，如精确率/召回率曲线所示。
• OurFirstSingle模型在URPC2018上实现了62.2 mAP，优于SSD512（60.6 mAP）、YOLOv3（57.7 mAP）和使用ResNet101的Faster R-CNN（59.8 mAP），证明SWIPENet在小目标检测上的优越性。
• 集成在大多数类别上提升了性能，尽管各类别增益不同，OurBestSingle在海参检测上优于集成模型。