学習せずにオープンワールドオブジェクト提案を学習する

オブジェクト提案は、物体検出、弱教師付き検出、物体発見、追跡など多くのビジョンパイプラインの重要な前処理ステップとなっています。学習を必要としない方法に比べて、学習に基づく提案が最近では物体検出への関心の高まりにより人気を集めています。一般的なパラダイムは、一連の物体領域とそれに対応するカテゴリでラベル付けされたデータから物体提案を学習することです。しかし、このアプローチは訓練セットに存在しない新しい物体に対してしばしば苦戦します。本論文では、既存の提案手法における二値分類器が訓練カテゴリに過学習しがちなことが問題であることを指摘しています。したがって、位置と形状が任意の真実値オブジェクト（例：中心度とIoU）とどれだけ重複するかによって各領域の「オブジェクト性」を純粋に推定する分類器なしのオブジェクトローケーションネットワーク（OLN）を提案します。この単純な戦略は汎化可能な「オブジェクト性」を学習し、COCOでのクロスカテゴリ汎化やRoboNet, Object365, EpicKitchensでのクロスデータセット評価において既存の提案手法を上回る性能を示しました。最後に、大規模な語彙データセットLVISにおける長尾分布を持つ物体検出に対するOLNの優位性を示しており、稀少および一般的なカテゴリにおいて明確な改善が観察されています。