IterDet：混雑環境におけるオブジェクト検出のための反復スキーム

ディープラーニングに基づく検出器は、通常、同一物体の重複した検出を含む冗長な物体バウンディングボックスの集合を出力する。これらのボックスは、各物体に対して正確に一つのバウンディングボックスを選択するために、非最大抑制（Non-Maximum Suppression: NMS）を用いてフィルタリングされる。この貪欲な手法は単純であり、孤立した物体に対しては十分な精度を提供するが、混雑した環境ではしばしば失敗する。その理由は、異なる物体のボックスを保持しつつ、重複した検出を抑制する必要があるためである。本研究では、各反復ごとに新たな物体のサブセットを検出する代替的な反復スキームを提案する。前回の反復で検出されたボックスは、次の反復においてネットワークに渡されることで、同じ物体が二度検出されるのを防ぐ。この反復スキームは、一段階検出器および二段階検出器の両方に、学習および推論プロセスのわずかな修正で適用可能である。本研究では、4つのデータセットで異なる2つのベースライン検出器を用いて広範な実験を行い、ベースラインに対して顕著な性能向上を示し、CrowdHumanおよびWiderPersonデータセットにおいて最先端の性能を達成した。ソースコードおよび学習済みモデルは、https://github.com/saic-vul/iterdet にて公開されている。