要約
現代の物体検出器は、アンカー、提案領域（プロポーザル）、および最終的な予測など、矩形のバウンディングボックスに大きく依存して、さまざまな認識段階での物体を表現しています。バウンディングボックスは使いやすい一方で、物体の位置を粗く特定するのみであり、それに応じて物体特徴量の抽出も粗くなるという問題があります。本論文では、RepPoints（代表点）と呼ばれる新しい表現方法を提案します。これは、物体の位置特定と認識に有用なサンプル点の集合として物体をより詳細に表現します。学習時に真値の位置特定と認識ターゲットが与えられると、RepPointsは自動的に自己配置され、物体の空間範囲を制限し、意味的に重要な局所領域を示します。さらに、RepPointsはアンカーを使用せずにバウンディングボックスの空間をサンプリングすることができます。我々は、RepPointsに基づくアンカーレスの物体検出器が最新のアンカーベースの検出手法と同等以上の効果を持つことを示しました。COCO test-dev 検出ベンチマークにおいて、ResNet-101 モデルを使用して 46.5 AP および 67.4 $AP_{50}$ の性能を達成しています。コードは https://github.com/microsoft/RepPoints から入手可能です。