#800
summarized by : 古澤嘉久
RankDetNet: Delving Into Ranking Constraints for Object Detection

どんな論文か?

物体検出における既往研究での座標予測と分類が分離されているようなネットワークにおいて、別々に最適化することによる予測のミスマッチが生じてしまう問題がある。またクラス分類において、物体が映っている部分と背景の部分とでラベルのアンバランスの問題が生じており、学習に悪影響を与えていることがわかっている。緩和する方法としてFocal lossがあるが1つのサンプルを対象にしているなどいくつか問題がある。
placeholder

新規性

複数サンプルの影響、アンバランスの問題を考慮するために、分類問題に対して2種類のpair-wiseなランキングロスを使用する。さらに、座標と分類の関係性を学習ために、正解BBOXと予測BBOXのIOUに基づいた重みつきランキングロスを使用することで、ネットワーク構造を変更することなく、また推論速度にも影響を与えることなく、効果的な精度向上をもたらした。

結果

2次元、3次元物体検出モデルにおいてアンカーフリーかどうかに関わらず性能の向上を確認。

その他(なぜ通ったか?等)

ablation studyの充実とネットワークの構造、推論時間を変更しないところ。