Zenn
✅

SSD

に公開
学習記録
ニューラルネットワーク
idea

はじめに

概要

  • シラバス：E資格2024#2
  • SSDを勉強する

キーワード

SSD, デフォルトボックス, Non-Maximum Suppression, IoU,
ハードネガティブマイニング, ネガティブサンプル

学習内容

SSD（Single Shot MultiBox Detector）

  • 1回の畳み込み処理（Single Shot）で、複数の物体の位置とクラスを同時に検出するモデル
  • YOLOよりも精度が高く、小さな物体にも強い

デフォルトボックス（Default Box）

  • SSDでは、画像中の複数の場所に、あらかじめサイズ・アスペクト比の異なる「候補ボックス」を配置
  • 各ボックスについて、「どの物体に対応しているか」を予測する（= バウンディングボックスの補正）
  • これにより、1つの画像に複数サイズ・複数種類の物体がある場合にも柔軟に対応できる

デフォルトボックスとFaster R-CNNのアンカーボックスの比較

共通点

内容 説明
学習対象 どちらも「事前定義された矩形」に対して、「実際の物体とのオフセット（中心・サイズの補正）」を学習します
目的 ネットワークに「矩形候補を1から学習させる」のではなく、「すでに定義された候補を調整させる」ことによって、学習を安定化・高速化します
観点 SSD（Default Box） Faster R-CNN（Anchor）
アプローチ 一括予測（Single Shot） 段階的（RPNで提案 → クラス分類）
処理速度 高速（リアルタイム可） 遅め（高精度だがリアルタイムは厳しい）
精度傾向 高速・中精度、小さな物体にやや弱い（改善可能） 高精度、小さな物体にも対応可能（FPN併用など）
特徴マップの使い方 複数の解像度を同時に使う 通常は1つ（FPNなどで補うことは可能）
配置の方法 複数の特徴マップ（スケール）上に均等に配置 特徴マップ上の各位置に固定サイズ＆比率で配置
使い方 各デフォルトボックスごとに、分類＋位置補正 各アンカーに対して、分類＋位置補正を学習
小さい物体への対応 小さい特徴マップでは小さなデフォルトボックスを使う 特徴ピラミッドを併用するか、FPNなどで対応

仕組み

  1. ベースCNNで特徴抽出
  2. 特徴マップの複数のスケール（サイズ）から物体を検出
  3. 各スケールごとに複数の「デフォルトボックス」を事前に配置
  4. 各ボックスに対して：クラス分類、バウンディングボックスのオフセット回帰
  5. 最後にNon-Maximum Suppression(NMS)で重複を除去

Non-Maximum Suppression（NMS）

  • 物体検出で「重複している検出ボックス」を除去して、最も信頼度が高いものだけを残す処理
  • 物体検出モデルの出力の最後の後処理
  • パラメータ：
    • IoUしきい値：どの程度重なっていたら削除するか
    • 信頼度しきい値：低すぎる予測は除く

処理の流れ

  1. 予測ボックスを信頼度スコア順にソート→ 信頼度（confidence）が高い順に並べる
  2. 最もスコアの高いボックスを残す（1個選ぶ）
  3. 重なり具合はIoUで判定して、残したボックスと重なりの大きい他のボックスを削除
    • IoUがしきい値（例：0.5）より大きければ「重複している」と見なして削除
  4. 残ったボックスで繰り返す

IoU（Intersection over Union）

  • 2つのボックスの「重なり率」
  • 値が0〜1の範囲（1なら完全一致）
IoU=\frac{重なった面積}{２つのボックス和の面積- 重なった面積}

ハードネガティブマイニング（Hard Negative Mining）

  • 物体検出（例：SSD, Faster R-CNN）や2値分類問題で、「学習を効率化し、精度を高めるための工夫」である
  • 学習に使うネガティブサンプルのうち、難しいものだけ選んで学習する
  • ネガティブサンプルの中から、損失（誤差）が大きいものを探して、上位から一定数だけ選んで学習に使う（例：ポジティブ：ネガティブ = 1:3）
  • メリット：学習効率向上、精度向上、過学習防止
  • 適用モデルの例：SSD、Faster R-CNNなど

ネガティブサンプル

  • ポジティブサンプル：検出すべき「物体そのもの」
  • ネガティブサンプル：背景や不要な領域（物体じゃない）
  • 物体検出では、画像中の大部分が背景（ネガティブ）で、ポジティブよりはるかに多い

ハードネガティブ

  • 間違いやすい背景= Hard Negative
  • ネガティブ（背景）を全て学習に使うと、数が多すぎて学習が背景に偏る
  • 簡単な背景ばかり学習しても意味がない
  • なので、間違いやすい背景だけ選んで学習したほうがいい
GitHubで編集を提案

Discussion