Gumbel最適化損失を用いた長尾インスタンスセグメンテーション

近年、物体検出およびセグメンテーション分野において大きな進展が見られた。しかし、稀なカテゴリに対しては、最先端の手法でも検出が困難であり、頻度の高いカテゴリと比べて顕著な性能差が生じている。本論文では、深層検出器で用いられるシグモイド関数またはソフトマックス関数が、長尾分布における検出およびセグメンテーションの性能低下の主な要因であり、最適ではないことを明らかにした。これを解決するために、長尾分布の検出およびセグメンテーションに適した「Gumbel最適化損失（Gumbel Optimized Loss, GOL）」を提案する。本手法は、不均衡データセットにおける稀なクラスが低確率の期待値を持つという事実を考慮し、Gumbel分布と整合性を持つ設計となっている。提案するGOLは、LVISデータセット上でMask-RCNNと比較して、平均精度（AP）において1.1%の優位性を示し、全体的なセグメンテーション性能を9.0%、検出性能を8.0%向上させるとともに、特に稀なクラスの検出性能を20.3%向上させた。コードは以下のURLで公開されている：https://github.com/kostas1515/GOL