SSD

単一のネットワークで物体を検出するSSD

SSD(Single Shot MultiBox Detector)は、画像の中の物体を、単一の深層ニューラルネットワークで検出する手法です。原論文は、物体の候補領域を別の段階で作る方法と比べて、SSDは単純な構成だと述べています。その理由は、SSDが領域提案(object proposals)の生成と、その後に続くピクセルや特徴の再サンプリングの段階を完全に取り除き、すべての計算を1つのネットワークの中に収めているためです。名前にあるシングルショット(single shot)は、この1回の処理で検出を終える設計を指しています。

原論文は、この設計によってSSDは学習させやすく、検出の部品を必要とするシステムへ組み込みやすいと説明しています。また、学習と推論の両方を1つの枠組みで扱えることも利点として挙げています。

デフォルトボックスによる出力空間の離散化

SSDの中心にある考え方は、バウンディングボックスの出力空間を、デフォルトボックス(default boxes)と呼ぶ箱の集合へ離散化することです。デフォルトボックスは、特徴マップの各位置ごとに、異なるアスペクト比と異なるスケールで用意されます。

予測の時点で、ネットワークは各デフォルトボックスについて次の2つを出力します。

• 物体の各カテゴリがその箱の中に存在することを示すスコア
• 物体の形により合うように箱を調整するための補正量

原論文の表現では、予測の部品は、カテゴリのスコアか、デフォルトボックスを基準にした形のずれ(shape offset)のどちらかを出力します。つまりSSDは、あらかじめ置いた箱を出発点として、どの物体があるかと、箱をどれだけ動かし変形させるかを同時に予測する仕組みです。

学習時のデフォルトボックスと正解ボックスの対応づけ

学習の際には、まずデフォルトボックスを正解のボックス(ground truth boxes)と対応づけます。原論文は例として、猫と犬が写った画像で、2つのデフォルトボックスを猫に、1つのデフォルトボックスを犬に対応づけた様子を示しています。1つの物体に複数のデフォルトボックスが対応しうる点が、この例から読み取れます。

解像度の異なる複数の特徴マップを組み合わせる

SSDのもう1つの特徴は、解像度の異なる複数の特徴マップからの予測を組み合わせることです。原論文は、スケールの異なる複数の特徴マップ(例として8x8と4x4)の各位置に、異なるアスペクト比のデフォルトボックスを置く様子を示しています。解像度の異なる特徴マップの予測をまとめることで、さまざまな大きさの物体を自然に扱えると説明しています。

精度と速度についての報告

原論文は、PASCAL VOC、COCO、ILSVRCのデータセットでの実験から、SSDは追加の領域提案の段階を使う手法に匹敵する精度を持ち、しかもはるかに高速であると報告しています。具体的には、300x300の入力でVOC2007のテストに対しmAP 74.3%を、Nvidia Titan X上で59 FPSで達成したとしています。512x512の入力ではmAP 76.9%を達成し、比較可能な最先端のFaster R-CNNのモデルを上回ったと述べています。

単一ショット検出器どうしの比較

原論文は、SSDと同じ単一ショットの検出モデルとしてYOLOを取り上げ、両者の構成を図で比較しています。そのうえで、SSDは単一ショット検出器の従来の最先端であったYOLOを大きく上回ったと述べています。さらに、ほかの単一段階の手法と比べて、より小さな入力画像の大きさでも、はるかに良い精度を示すと報告しています。