- …
- …
#802
summarized by : Anonymous
どんな論文か？
物体検出器の学習において，異なるサンプルがどのように性能に影響を与えるかを分析している．その結果，各サンプルは独立したものでも，同等に重要なものでもないため，一般的な全てのサンプルを均等に扱う方法は必ずしも高mAPを達成するわけではないことを示した．この研究では，性能向上への寄与が大きい「プライムサンプル」を選び出す戦略と，分類考慮回帰損失を提案し，一般的な検出器のmAPを約2%向上させた．
新規性
どのようなサンプルが重要であるかについて，従来のハードマイニング的アプローチと異なり，GTとのIoUが大きいサンプルを重視する手法を提案した．また，このサンプルの重要度を並べる階層的局所順位(HLR)という指標を提案した．また，分類性能とローカライゼーション性能には相関があることに着目し，分類考慮回帰損失を提案し，ポジティブな「プライムサンプル」のスコアがブーストされるようにした．
結果
物体検出タスクの指標であるmAPスコアにおいて，提案手法を採用した場合1段階・2段階のいずれの検出モデルでも2%程度の性能向上が認められた．
その他（なぜ通ったか？等）
- …
- …