DetectoRS：再帰的特徴ピラミッドとスイッチ可能アトラス畳み込みを用いたオブジェクト検出

近年の多数のオブジェクト検出モデルは、「一度見て、もう一度考える」というメカニズムを用いて優れた性能を発揮している。本論文では、このメカニズムをオブジェクト検出のバックボーン設計に応用することを検討する。マクロな視点では、特徴マップのピラミッド構造（Feature Pyramid Network）から下位のバックボーン層へ追加のフィードバック接続を導入する「Recursive Feature Pyramid（再帰的特徴ピラミッド）」を提案する。ミクロな視点では、異なるアトラス率（atrous rate）で特徴量を畳み込み、スイッチ関数により結果を統合する「Switchable Atrous Convolution（可変アトラス畳み込み）」を提案する。これらの手法を統合したモデルが「DetectoRS」であり、オブジェクト検出性能を顕著に向上させる。COCO test-dev データセットにおいて、DetectoRSはオブジェクト検出で55.7%のボックスAP（box AP）、インスタンスセグメンテーションで48.5%のマスクAP（mask AP）、パノプティックセグメンテーションで50.0%のPQ（Panoptic Quality）を達成し、それぞれのタスクで最先端の性能を実現した。コードは公開されている。