#575
summarized by : yoshiki miyazawa
Robust and Accurate Object Detection via Adversarial Learning

どんな論文か?

敵対的サンプルの学習によって、物体検出の性能を改善させる。AutoAugmentのような戦略では、学習中にモデルが変化するにも関わらず、拡張ポリシーは一様である。本手法では、モデルの更新に応じて、敵対的サンプルも変化するため、常にモデルの性能に寄与する拡張ポリシーを取ることができる。

新規性

CVPR 2020において、敵対的サンプルによって画像分類を性能改善する手法が提案された。本論文では、物体検出タスクに敵対的サンプルを用いた学習を適応し、シンプルな手法で優れた性能を達成した点が新規性と考えられる。具体的には、回帰lossと分類lossの各々から生成した敵対的サンプルのうち、学習への寄与が大きいものを選択し、メインBN層と補助BN層を用いて学習する。

結果

COCOデータセットに対し、EfficientDetsの性能を+1.1mAP、また、歪みを含むデータセットに対し+3.8mAP、ドメインシフトに対し+1.3mAPの改善。また、AutoAugmentaと比較し、様々なモデルサイズ(EfficientDet-D0~5)において、提案手法の方がモデル性能を大きく改善できることを示した。

その他(なぜ通ったか?等)

敵対的サンプルを用いた画像分類の登場から1年以内で、物体検出向けの手法を提案できたこと、手法がシンプルであること、ライバル手法(AutoAugment)との比較を十分にしていること、が理由と考えられる。