要約
複雑さを考慮したカスケード検出器の設計について検討が行われています。この検出器は、非常に異なる複雑さを持つ特徴を組み合わせています。新しいカスケード設計手順が導入され、カスケード学習を精度と複雑さの両方を考慮したリスクのラグランジュ最適化として定式化しています。次に、この最適化問題を解くためのブースティングアルゴリズムである「複雑さを考慮したカスケードトレーニング（CompACT）」が導出されています。CompACTカスケードは、より高い複雑さを持つ特徴を後段に押しやることで、精度と複雑さの最適なバランスを求めます。後段では、分類されるべき候補領域がわずかしか残っていないため、非常に異なる複雑さを持つ特徴を単一の検出器で使用することが可能になります。これにより、以前はカスケード設計に実用的でなかったような深層畳み込みニューラルネットワーク（CNN）の応答などの特徴も利用できるようになります。これは、複雑さが数桁異なる特徴プールを使用して歩行者検出器を設計することで示されています。得られたカスケードは、CNNと物体提案メカニズムの組み合わせを一般化しており、事前処理ステージではなく、各段階でCNNをシームレスに統合しています。これにより、CaltechおよびKITTIデータセットにおいて高性能かつ高速な処理が可能となっています。