コンピュータビジョンの今を映す-CVPR 2017 速報より- （夏のトップカンファレンス論文読み会）
Your SlideShare is downloading.
×
Check these out next
Recommended
More Related Content
Similar to 20181020 eccv2018 (20)
Recently uploaded (20)
20181020 eccv2018
- 1. 論文読み会 2018 / 10 / 20 システム本部 AIシステム部 AI研究開発第一グループ 葛岡宏祐
- 2. ■ 渋谷のベンチャー ⁃ 建設 がコンセプトの のアプリを開発 ⁃ 芝浦工業大学と共同で図面解析を研究開発 ■ に転職 ⁃ システム部で主に 関係の技術を開発 ■ ⁃ ⁃ ■ ⁃ ドライブ ⁃ 海外ドラマ 自己紹介 Facebook: Kousuke Kuzuoka email: kosuke.kuzuoka@dena.com
- 3. 論文紹介 ■ ■ Acquisition of Localization Confidence for Accurate Object Detection
- 4. ■ を として推論 ■ 新規手法 を提案 ■ で を記録
- 5. 既存検出アルゴリズムのおさらい ■ ■ ■ ■ ■ ■
- 6. 既存検出アルゴリズムのおさらい ■ で 抽出し で と の を行う ■ 精度は良いが推論に時間がかかる ■ 一回の で と の推論を行う ■ 事前に を密に定義する ■ 精度が比較的低いが推論時間が早い
- 7. 既存検出アルゴリズムのおさらい ■ ■ ■ ■ ■ ■ ■ ここ
- 8. モチベーション ■ の密な のほとんどが で少数が であることから学習時の損失が偏ってしまう ■ と重なる が推論に必要なため十分な を定義しなくて はいけないが の数に比例して学習速度が遅くなる ■ を用いて推論するには多くの （ の大きさ、数、 など）を定義しなくてはいけない
- 9. モチベーション ■ の密な のほとんどが で少数が であることから学習時の損失が偏ってしまう ■ と重なる が推論に必要なため十分な を定義しなくて はいけないが の数に比例して学習速度が遅くなる ■ を用いて推論するには多くの （ の大きさ、数、 など）を定義しなくてはいけない SOLVED 角をkey pointとして推論したらいいやん
- 10. アルゴリズム ■ 左上と右下の角を推論する を出力させる ■ を推論して の座標を微妙に調整する ■ で角の推論結果をグルーピングして対応づける
- 11. アルゴリズム ■ 左上と右下の角を推論する を出力させる ■ を推論して の座標を微妙に調整する ■ で角の推論結果をグルーピングして対応づける 画像に含まれる全 ての物体の右下の 角だけを予測 画像に含まれる全 ての物体の左上の 角だけを予測
- 12. アルゴリズム ■ 左上の角を推論する特徴マップを二つ用意しそれぞれに推論されている角 より下と右の値に対してiterativeに最大値を取りassignする ■ 各方向に対してpoolingを行なった後element-wiseに加算を行う CornerPooling
- 13. アルゴリズム αとβはbalancing parameterで本論文中 でα=2 β=4に設定 角の推論の損失 Focal lossのvariantと論文中に書いてある
- 14. アルゴリズム ■ 左上と右下の角を推論する を出力させる ■ を推論して の座標を微妙に調整する ■ で角の推論結果をグルーピングして対応づける 検出された角座標の 微調整を行う
- 15. アルゴリズム 角のOffsetの損失 全てのカテゴリーに 対してのOffset 全てのカテゴリー共通のoffsetだが左上と右下両方 が必要となる
- 16. アルゴリズム ■ 左上と右下の角を推論する を出力させる ■ を推論して の座標を微妙に調整する ■ で角の推論結果をグルーピングして対応づける 全ての角に対して embedding vectorを推 論して角を対応づける
- 17. アルゴリズム ■ 各角に対してembedding vectorを推論して対応付けを行う ■ 同じ物体に対して左上と右下の角がclusterの中心に近づくように損失をか ける
- 18. 結論・まとめ ■ 既存手法と比較すると高精度だが比較的スピードは遅い（244ms） ■ Two stage detectorと比較すると少し精度で劣る ■ Anchorベースの既存手法が多い中少し変わった手法は興味深い ■ コードは公開済み https://github.com/umich-vl/CornerNet
- 19. Acquisition of Localization Confidence for Accurate Object Detection
- 20. Acquisition of Localization Confidence for Accurate Object Detection ■ 検出結果に を として反映させる ■ を提案し を元に推論結果を抑制していく ■ ではなくて で座標を最適化していく
- 21. モチベーション ■ 物体検出に使われる の多くは であり については推論されていない ■ 既存手法で使われている は を元に推論結果を抑制して いるが正しく されている まで抑制している可能性がある ■ での には単調性がないが に することによって改善出来る
- 22. モチベーション 既存手法のほとんどが を に反映させているが と の は の方が相関性が高い
- 23. モチベーション が のランクに使われるため上図では緑の推論結果（高い 値） が抑制されてしまい赤（低い 値）が結果として残ってしまう。
- 24. モチベーション では を増やしても の改善がみられない（上図上）一方 にすることよって改善がみられる（上図下）
- 25. ■ 対応する と推論結果の の を推論するブランチを追加 ■ 推論された で のランキングを行う を使 用
- 26. ■ では丸め込みが発生するため多少の誤差が生じるが は誤差が生じない ■ の出力の特徴マップに対して を行う
- 27. Localization score を元に抑制を行う Classification scoreのアップ デート
- 28. ■ 閾値が高い場合での精度向上が見られるが低い場合ではそれほど精度向 上は見られない
- 29. Early stop criteria Gradient ascent
- 30. ■ と同じで閾値が高い場合に精度向上が確認できるが低い場 合ではそれほど向上が見られない ■ が低い場合 の推論精度が比較的低いことが に影響 していると は述べている
- 31. 精度・速度比較 ■ 推論速度は他のモデルと比べると少し遅いが全体を通した の改善は比較 的大きい
- 32. まとめ ■ 実装は大変そうだがアイデアは直感的で非常にシンプル ■ のほとんどに提案手法に取り入れることが出来る ■ アルゴリズム上追加アノテーションなどは不要 ■ で の実装が公開されている
- 33. 参考文献 ́
