アンカーフリー物体検出におけるローカリゼーション不確実性推定

多くの安全攸关システム、たとえば手術用ロボットや自動運転車は、センサノイズや不完全なデータを伴う不安定な環境で動作するため、オブジェクト検出器が位置推定の不確実性を考慮することが望ましい。しかし、現在のアンカーに基づくオブジェクト検出における不確実性推定手法にはいくつかの限界がある。第一に、位置（中心点）やスケール（幅・高さ）など、異なる特性とスケールを持つ非一様なオブジェクト属性の不確実性をモデル化しているが、これは推定が困難である。第二に、ボックスオフセットをガウス分布としてモデル化しているが、これは真のボックス（グランドトゥルース）がディラックデルタ分布に従うことに適合しない。第三に、アンカーに基づく手法はアンカーのハイパーパラメータに敏感であるため、その位置推定の不確実性もハイパーパラメータの選定に極めて敏感になる傾向がある。これらの課題に対処するため、本研究ではアンカー不要型オブジェクト検出に向けた新たな位置不確実性推定手法「UAD（Uncertainty-aware Anchor-free Detection）」を提案する。本手法は、ボックスオフセットの左右上下の4方向における均一な不確実性を捉えることで、どの方向に不確実性があるかを明示し、[0, 1]の範囲で定量的な不確実性値を提供する。このような不確実性推定を可能にするために、IoUを用いて尤度損失を重み付けする新たな不確実性損失「ネガティブパワー対数尤度損失（negative power log-likelihood loss）」を設計し、モデルの不適合問題を緩和する。さらに、推定された不確実性を分類スコアに反映させるために、「不確実性を考慮したフォーカル損失（uncertainty-aware focal loss）」を提案する。COCOデータセットにおける実験結果から、本手法は計算効率を損なうことなく、FCOSベースのモデルに対して最大で1.8ポイントの性能向上を実現した。