不確かな畳み込み特徴量の学習による高精度な注目度検出

深層畳み込みニューラルネットワーク（CNN）は、多くのコンピュータビジョンタスクで優れた性能を達成しています。本論文では、正確な注目物体検出のための新しい深層完全畳み込みネットワークモデルを提案します。本研究の主要な貢献は、深層不確定性畳み込み特徴量（UCF: Uncertain Convolutional Features）を学習することです。これは、注目度検出の堅牢性と精度を向上させるために設計されています。私たちは、特定の畳み込み層後に再定式化されたドロップアウト（R-dropout）を導入することで、内部特徴ユニットの不確定性アンサンブルを構築しています。さらに、デコーダネットワーク内の逆畳み込み演算子によるチェッカーボードアーティファクトを軽減する効果的なハイブリッドアップサンプリング方法を提案します。提案した手法は他の深層畳み込みネットワークにも適用可能です。既存の注目度検出手法と比較して、提案されたUCFモデルは不確定性を取り入れることでより正確な物体境界推定が可能となります。広範な実験により、提案した注目度モデルが最先端の手法に対して有利に働くことが示されました。不確定性特徴量学習機構およびアップサンプリング手法は、他の画素単位でのビジョンタスクにおいても性能を大幅に向上させることが確認されています。