再帰的なスケール近似を用いたCNNにおける物体検出

畳み込みニューラルネットワーク（CNN）は、大規模な変動を処理するための内在的なメカニズムに欠けています。そのため、多尺度オブジェクト検出のために特徴マップを複数回計算する必要があり、実際には計算コストがボトルネックとなっています。この問題に対処するために、我々は再帰的スケール近似（Recurrent Scale Approximation: RSA）を開発しました。RSAでは特徴マップを一度だけ計算し、そのマップのみを使用して他のレベルのマップを近似します。RSAの中心にあるのは再帰的な展開メカニズムです。特定のスケールでの初期マップが与えられると、入力サイズの半分の小さなスケールでの予測を生成します。効率と精度をさらに向上させるために、(a) 画像全体で潜在的なスケールを予測するためのスケール予測ネットワークを設計しました。これはピラミッドのすべてのレベルでマップを計算する必要がないためです。(b) ランドマーク逆追跡ネットワーク（Landmark Retracing Network: LRN）を提案し、回帰されたランドマークの位置を逆追跡し、各ランドマークに対して信頼度スコアを生成します。LRNはRSAにおける累積誤差によって引き起こされる偽陽性を効果的に軽減できます。本システムは統一されたCNNフレームワーク内でエンドツーエンドで学習することができます。実験結果は、我々が提案したアルゴリズムが顔検出ベンチマークにおいて最先端手法よりも優れていることを示しており、一般的なプロポーザル生成でも同等の結果を得ています。RSAのソースコードはgithub.com/sciencefans/RSA-for-object-detectionから入手可能です。