Improving Performance of Object Detection using the Mechanisms of Visual Recognition in Humans

要約

オブジェクト認識システムは通常、高解像度の画像でトレーニングおよび評価されます。
ただし、実際のアプリケーションでは、画像の解像度が低いか、サイズが小さいことが一般的です。
この研究では、まず、最先端のディープ オブジェクト認識ネットワークである Faster-RCNN のパフォーマンスを画像解像度の関数として追跡します。
この結果は、低解像度画像が認識性能に及ぼす悪影響を明らかにしています。
彼らはまた、異なる空間周波数が認識プロセスにおいて物体に関する異なる情報を伝達することを示しています。
これは、マルチ解像度認識システムが、オブジェクトのより良い認識をもたらす特徴の最適な選択についてより良い洞察を提供できることを意味します。
これは、視覚シーンのマルチスケール表現を同時に実装できる人間の視覚システムのメカニズムに似ています。
次に、単一解像度ネットワークではなく、複数解像度オブジェクト認識フレームワークを提案します。
提案されたフレームワークは、PASCAL VOC2007 データベースで評価されます。
実験結果は、適応した多重解像度 Faster-RCNN フレームワークのパフォーマンスが、さまざまな解像度の入力画像で単一解像度の Faster-RCNN よりも優れていることを示しており、平均平均精度 (mAP) はすべての解像度で 9.14%、1.2% 増加しています。
フルスペクトル画像について。
さらに、提案されたモデルは、広範囲の空間周波数にわたってパフォーマンスのロバスト性をもたらします。

要約(オリジナル)

Object recognition systems are usually trained and evaluated on high resolution images. However, in real world applications, it is common that the images have low resolutions or have small sizes. In this study, we first track the performance of the state-of-the-art deep object recognition network, Faster- RCNN, as a function of image resolution. The results reveals negative effects of low resolution images on recognition performance. They also show that different spatial frequencies convey different information about the objects in recognition process. It means multi-resolution recognition system can provides better insight into optimal selection of features that results in better recognition of objects. This is similar to the mechanisms of the human visual systems that are able to implement multi-scale representation of a visual scene simultaneously. Then, we propose a multi-resolution object recognition framework rather than a single-resolution network. The proposed framework is evaluated on the PASCAL VOC2007 database. The experimental results show the performance of our adapted multi-resolution Faster-RCNN framework outperforms the single-resolution Faster-RCNN on input images with various resolutions with an increase in the mean Average Precision (mAP) of 9.14% across all resolutions and 1.2% on the full-spectrum images. Furthermore, the proposed model yields robustness of the performance over a wide range of spatial frequencies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google