多次元インスタンスアクティブラーニングによる物体検出

画像認識の活性学習において大きな進歩が見られる一方で、オブジェクト検出に特化したインスタンスレベルの活性学習手法は未だ不足している。本論文では、インスタンスレベルの不確実性を観察することにより、検出器の訓練に最も情報量の高い画像を選択するための複数インスタンス活性オブジェクト検出（Multiple Instance Active Object Detection: MI-AOD）を提案する。MI-AODは、ラベル付きセットで訓練された2つの対立的なインスタンス分類器の乖離を利用して、ラベルなしセットのインスタンス不確実性を予測するインスタンス不確実性学習モジュールを定義する。MI-AODは、ラベルなし画像をインスタンスバッグとし、画像内の特徴アンカーをインスタンスとして扱い、複数インスタンス学習（Multiple Instance Learning: MIL）的手法によりインスタンスを再重み付けすることで画像不確実性を推定する。反復的なインスタンス不確実性学習と再重み付けは、ノイジーなインスタンスの抑制を促進し、インスタンス不確実性と画像レベルの不確実性とのギャップを埋める方向に作用する。実験結果は、MI-AODがインスタンスレベルの活性学習に対して堅固な基準となることを示している。一般的に使用されるオブジェクト検出データセットにおいて、特にラベル付きセットが少ない場合に、MI-AODは最新手法よりも大幅に優れた性能を発揮することが確認されている。コードは https://github.com/yuantn/MI-AOD で公開されている。