NMS-Loss：混雑した歩行者検出における非最大値抑制を用いた学習

非最大値抑制（Non-Maximum Suppression: NMS）は物体検出において不可欠であり、特に混雑した被遮蔽状況において、誤検出（False Positive: FP）および誤未検出（False Negative: FN）を含むことで評価結果に大きな影響を与える。本論文では、NMSによって訓練ターゲットと評価指標の間に弱い結合が生じる問題に着目し、追加のネットワークパラメータを必要とせずにNMS処理をエンド・トゥ・エンドで学習可能にする新しいNMS-Lossを提案する。本提案するNMS-Lossは、FPが抑制されない場合およびFNが誤って排除される場合の2つのケースに対してペナルティを与える。具体的には、同一ターゲットに属する予測値同士を近づける「プル損失（pull loss）」と、異なるターゲットに属する予測値同士を遠ざける「プッシュ損失（push loss）」を提案する。実験結果から、NMS-Lossを導入した検出器（NMS-Ped）は、Caltechデータセットにおいて5.92%のミス率（Miss Rate）、CityPersonsデータセットにおいて10.08%のミス率を達成し、いずれも最先端の競合手法を上回る優れた性能を示した。