Fast R-CNN:ディープラーニングによる一般物体検出手法

R-CNNに続き、Fast R-CNNのアルゴリズムについて勉強しよう。


ディープラーニングによる一般物体検出アルゴリズムまとめ
これまで勉強したディープラーニングによる一般物体検出手法のアルゴリズム一覧。


再びこちらの系譜図を引用する↓

系譜図にはR-CNNFast R-CNNの間にSPPnetというのがあるのでSPPnetについて軽く触れておく。


SPPnet

SPPnetは、ECCV2014で発表された論文 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognitionで提案された手法。

R-CNNではSelective Searchで検出した領域候補をそれぞれ個別にCNNにかけて特徴抽出していたのに対し、SPPnetでは画像全体をCNNに入力して全体の特徴マップを抽出する。互いに重なる部分も多い2000個の矩形領域を個別にCNNにかける冗長性を排除したわけですね。

SPPnetの処理の全体像はこちらの図が分かりやすい↓

SPPnet

SPP(Spatial Pyramid Pooling)

元画像からSelective Searchで検出した矩形に対応する特徴マップの領域にSpatial Pyramid Pooling(空間ピラミッドプーリング)と呼ばれるpooling処理を施す。このSpatial Pyramid Poolingにより、矩形領域のサイズに関わらず固定長のベクトルを得ることができる。

Spatial Pyramid Poolingでは、特徴マップを異なるサイズのウィンドウ(16×16, 4×4, 1×1)でmax-poolingした結果を平坦化して連結し、固定長のベクトルにしてから次の全結合層の入力とする。

そして、全結合層からの出力をR-CNNと同様にSVMで分類(Classification)、回帰(Regression)でBounding Boxを求める。

SPPnetの欠点

R-CNNに比べてCNNによる特徴抽出の処理は効率化したが、特徴量を抽出する畳み込み層、全結合層、候補領域を分類するSVMやBounding Boxの回帰などは別々に学習しなければならないまま。

Fast R-CNN

R-CNNと同じ著者(Ross Girshick氏)がICCV2015で発表したFast R-CNNは、画像全体からCNN(ここではVGGを利用)で特徴マップを抽出するまではSPPnetと同様。違うのはこちらのスライドで言うと3~5のプロセス↓

ここからはRegion Proposal(候補領域)という言葉に代わってRegion of Interest(関心領域)という言葉が使われるけど、分類(Classification)対象となる領域を指しているので同じ意味です。

RoI (Region of Interest) Pooling

Fast R-CNNでは、SPP(Spatial Pyramid Pooling)のピラミッドレベルを1つに簡略化したRoI(Region of Interest)Poolingによって検出領域を固定サイズのベクトルに収める。

RoI Pooling

RoI Poolingは、アスペクト比の違いを考慮してMax Poolingを行う処理。
こちらのgifが分かりやすいか(オープンソースのRoIプーリング実装のページの画像)↓

RoI pooling in TensorFlow

ニューラルネットワークの分岐

RoI Poolingによって固定サイズ化された領域は、全結合層(Fully connected layers)を経てRoI feature vector(RoI特徴ベクトル)となる。このRoI feature vectorを、以下2つの全結合層の入力とする。

  • 候補領域(物体)の分類(Classification)タスクを学習する全結合層
  • Bounding Boxの回帰(Regression)タスクを学習する全結合層

つまり、ここからニューラルネットワークが2つに分岐し、タスクごとの全結合層を経て出力層へ向かう。

RoI feature vector

Multi-task Loss

物体の分類とBounding Boxの回帰という2つのタスク(Multi-task)を学習するために、この2のタスクの推定誤差を同時に考慮した損失関数(loss function) Multi-task Lossが提案された。

Multi-task Lossを最小化するようニューラルネットワークを学習することで、2つのタスクを同時に習得させることができる。

ここで改めてFast R-CNNのニューラルネットワークの構造を見てみると、R-CNNSPPnetでは特徴抽出のCNNと分類や回帰の学習が独立していたのに対し、Fast R-CNNでは分類・回帰の学習も同じニューラルネットワークとして繋がっていることが分かる↓

Fast R-CNN

特徴抽出からタスクの学習までが1つのニューラルネットワークに繋がったことで、紫の矢印のように誤差逆伝搬で学習時にネットワークの全てのパラメーターが更新されるようになった。

Fast R-CNNの欠点

さて、特徴抽出から分類・回帰までを一貫したニューラルネットワークにしたことで、R-CNNの頃よりも遥かに効率化しました。
しかし、冒頭の系譜図にもあったようにFast R-CNNNOT End-to-Endなアプローチに分類される理由は、RoIを求める処理がニューラルネットワークとは独立してSelective Searchで行われているからなのです。

次はFaster R-CNNについてまとめようと思う。


ディープラーニングによる一般物体検出アルゴリズムまとめ
これまで勉強したディープラーニングによる一般物体検出手法のアルゴリズム一覧。

関連記事

統計的な顔モデル

書籍『ゼロから作るDeep Learning』で自分なりに学ぶ

SSD (Single Shot Multibox Detector):ディープラーニングによる一般...

Zibra Liquids:Unity向け流体シミュレーションプラグイン

OpenCV 3.1のsfmモジュールのビルド再び

Qlone:スマホのカメラで3Dスキャンできるアプリ

Google製オープンソース機械学習ライブラリ『TensorFlow』のWindows版が公開された

PSPNet (Pyramid Scene Parsing Network):ディープラーニングによ...

OpenCVでカメラ画像から自己位置認識 (Visual Odometry)

OpenGV:画像からカメラの3次元位置・姿勢を推定するライブラリ

Faster R-CNN:ディープラーニングによる一般物体検出手法

書籍『3次元コンピュータビジョン計算ハンドブック』を購入

ベイズ推定とグラフィカルモデル

画像認識による位置情報取得 - Semi-Direct Monocular Visual Odome...

represent

OpenCVの顔検出過程を可視化した動画

ニューラルネットワークと深層学習

コンピュータビジョンの技術マップ

Regard3D:オープンソースのStructure from Motionツール

池袋パルコで3Dのバーチャルフィッティング『ウェアラブル クロージング バイ アーバンリサーチ』

MLDemos:機械学習について理解するための可視化ツール

OpenCV 3.3.0-RCでsfmモジュールをビルド

OpenCVでPhotoshopのプラグイン開発

GAN (Generative Adversarial Networks):敵対的生成ネットワーク

Adobe MAX 2015

Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...

OpenCVで顔のモーフィングを実装する

Connected Papers:関連研究をグラフで視覚的に探せるサービス

FreeMoCap Project:オープンソースのマーカーレスモーションキャプチャ

NeRF (Neural Radiance Fields):深層学習による新規視点合成

Iridescence:プロトタイピング向け軽量3D可視化ライブラリ

TeleSculptor:空撮動画からPhotogrammetryするツール

Point Cloud Consortiumのセミナー「3D点群の未来」に行ってきたよ

Googleが画像解析旅行ガイドアプリのJetpac社を買収

uvでWindows11のPython環境を管理する

第1回 3D勉強会@関東『SLAMチュートリアル大会』

FCN (Fully Convolutional Network):ディープラーニングによるSema...

openMVG:複数視点画像から3次元形状を復元するライブラリ

TensorFlowでCGを微分できる『TensorFlow Graphics』

OpenCVで動画の手ぶれ補正

3D Gaussian Splatting:リアルタイム描画できるRadiance Fields

オープンソースのロボットアプリケーションフレームワーク『ROS (Robot Operating S...

コメント