物体検出におけるタスク駆動型機能の先へ

Abstract

現代の物体検出器が学習するタスク駆動型の特徴は、エンドタスクの損失を最適化しますが、多くの場合、基となる注釈構造を反映できない近道（shortcut）相関を捉えてしまいます。このような表現は、タスク定義が変わるときや教師データが乏しくなるとき、転移、解釈可能性、頑健性を制限します。本論文では、注釈に導かれた特徴拡張（feature augmentation）フレームワークを提案し、埋め込み（embeddings）を物体検出バックボーンに注入します。提案手法は、注釈に導かれた潜在空間から密な空間特徴グリッドを構築し、それを特徴ピラミッド表現と融合させることで、領域提案（region proposal）および検出ヘッドに影響を与えます。野生動物およびリモートセンシングのデータセットにまたがる実験により、複数の教師設定（supervision regimes）下で分類、局所化、およびデータ効率を評価します。結果は、物体への焦点が一貫して改善され、背景への感度が低下し、未見または弱教師付きタスクへの汎化がより強くなることを示しています。これらの知見は、特徴を注釈の幾何（geometry）に合わせることで、純粋にタスク最適化された特徴よりも、より意味のある表現が得られることを示しています。