再帰的に精 refinement された R-CNN：自己 RoI バランス調整を用いたインスタンスセグメンテーション

インスタンスセグメンテーション分野において、現在の最先端の深層学習ネットワークの多くは、複数のオブジェクト検出器を逐次的に学習するカスケードアーキテクチャに依存している。このアプローチでは、各段階で真値（ground truth）を再サンプリングすることで、正例サンプルの指数関数的消失問題に対処している。しかし、この手法はパラメータ数の増加というネットワークの複雑性の増大を伴う。この問題に対処するため、本研究では「再帰的に精緻化されたR-CNN（Recursively Refined R-CNN, R^3-CNN）」を提案する。R^3-CNNは、ループ機構を導入することで重複を回避する。同時に、再帰的な再サンプリング技術を用いることで、各再帰ステップで特定のIoU（交差率）品質を活用し、最終的に正例スペクトルを均等にカバーする品質向上を実現している。実験結果から、ループ機構の重みにおける特徴的な符号化が、推論時におけるその使用を必要としていることが明らかになった。R^3-CNNアーキテクチャは、最近提案されたHTCモデルを上回る性能を達成しつつ、パラメータ数を大幅に削減している。COCO minival 2017データセットにおける実験では、使用するベースラインモデルに依存せずに性能向上が確認された。コードは、https://github.com/IMPLabUniPr/mmdetection/tree/r3_cnn にて公開されている。