Blobsの位置：ポイント監督による局所化カウント

物体のカウントは、監視、交通監視、日常の物体の数え上げなどのアプリケーションにおける需要の増加により、コンピュータビジョンにおいて重要なタスクとなっています。最先端の手法では、回帰に基づく最適化が用いられ、対象となる物体を明示的に学習して数えることが行われています。これらの手法は、各物体の位置、サイズ、形状を予測するというより難しいタスクを学習する必要がある検出ベースの手法よりも優れていることが多いです。しかし、私たちは物体のサイズと形状を推定する必要がなく、回帰ベースの手法を上回る検出ベースの手法を提案します。私たちの貢献は三つあります：(1) 点レベルアノテーションのみを使用してネットワークに各物体インスタンスに対して単一のブロブを出力させる新しい損失関数を提案します；(2) 大きな予測されたブロブを物体インスタンス間で分割するための二つの方法を設計します；(3) 私たちの手法がPascal VOCやペンギンデータセットなどいくつかの難易度が高いデータセットで新たな最先端の結果を達成していることを示します。私たちの手法は、深さ特徴量や多点アノテーション（multi-point annotations）、バウンディングボックスラベルなどのより強い教師あり学習を使用する手法よりも優れた性能を発揮しています。