Open IsHYuhi opened 3 years ago
Angtian Wang, Yihong Sun, Adam Kortylewski, Alan Yuille
Johns Hopkins University
CVPR 2020
arXiv [実装]()
関連研究paper 関連研究github 著者ページ
部分的に隠蔽された物体を検出することは難しい課題である. 実験結果によると, Faster R-CNNのような深層学習アプローチは, オクルージョン下での物体検出においてロバストではない. Compositional convolutional neural networks (CompositionalNets)は, 物体をパーツの組み合わせとして明示的に表現することで, オクルージョン下の物体の分類に頑健であることが示されています. 本研究では, 合成ニューラルネットワークの2つの限界を克服することで, 部分的に隠された物体の検出を可能にすることを提案する. 1) CompositionalNetsは, 他のDCNNアーキテクチャと同様に, コンテクストの表現をオブジェクト自体から明示的に分離しません. そのため, 物体が強く遮蔽されている場合, 文脈の影響が大きくなり, テスト時の検出に重大な悪影響を及ぼす可能性があります. この問題を解決するために, 我々は学習時にバウンディングボックスのアノテーションを用いて文脈を分割することを提案する. そして, このセグメンテーションを利用して, コンテキストとオブジェクトの表現を分離したコンテキスト認識型のコンポジションネットを学習する. 2) コンポジションネットのパーツベースの投票スキームを拡張し, オブジェクトのバウンディングボックスのコーナーに投票することで, 部分的に隠蔽されたオブジェクトのバウンディングボックスを確実に推定することを可能にする.
実験の結果, 提案モデルはロバストに物体を検出することができ, Faster R-CNNと比較して, PASCAL3D+およびMS-COCOの強いオクルージョンを持つ車両の検出性能をそれぞれ41％、35％向上させることができた.
INFO
author
Angtian Wang, Yihong Sun, Adam Kortylewski, Alan Yuille
affiliation
Johns Hopkins University
conference or year
CVPR 2020
link
arXiv [実装]()
関連研究paper 関連研究github 著者ページ
概要
部分的に隠蔽された物体を検出することは難しい課題である. 実験結果によると, Faster R-CNNのような深層学習アプローチは, オクルージョン下での物体検出においてロバストではない. Compositional convolutional neural networks (CompositionalNets)は, 物体をパーツの組み合わせとして明示的に表現することで, オクルージョン下の物体の分類に頑健であることが示されています. 本研究では, 合成ニューラルネットワークの2つの限界を克服することで, 部分的に隠された物体の検出を可能にすることを提案する. 1) CompositionalNetsは, 他のDCNNアーキテクチャと同様に, コンテクストの表現をオブジェクト自体から明示的に分離しません. そのため, 物体が強く遮蔽されている場合, 文脈の影響が大きくなり, テスト時の検出に重大な悪影響を及ぼす可能性があります. この問題を解決するために, 我々は学習時にバウンディングボックスのアノテーションを用いて文脈を分割することを提案する. そして, このセグメンテーションを利用して, コンテキストとオブジェクトの表現を分離したコンテキスト認識型のコンポジションネットを学習する. 2) コンポジションネットのパーツベースの投票スキームを拡張し, オブジェクトのバウンディングボックスのコーナーに投票することで, 部分的に隠蔽されたオブジェクトのバウンディングボックスを確実に推定することを可能にする.
実験の結果, 提案モデルはロバストに物体を検出することができ, Faster R-CNNと比較して, PASCAL3D+およびMS-COCOの強いオクルージョンを持つ車両の検出性能をそれぞれ41％、35％向上させることができた.
提案手法
検証
新規性
議論，展望
Comment
date