RFLA：Tiny Object Detection におけるガウス感受野に基づくラベル割り当て

微小物体の検出は、物体検出技術の発展を阻害する主要な課題の一つである。一般的な物体検出器の性能は、微小物体検出タスクにおいて著しく低下する傾向にある。本論文では、アンカーベースの検出器におけるボックス事前情報、あるいはアンカーフリー検出器におけるポイント事前情報が、微小物体に対して最適でないことを指摘する。我々の核心的な観察は、現在のアンカーベースまたはアンカーフリーなラベル割り当て枠組みは、多くの外れ値としての微小サイズの真値サンプルを生じさせ、その結果、検出器が微小物体に十分な注目を払わなくなることである。この問題に対処するため、微小物体検出に特化したガウス受容 fieldに基づくラベル割り当て（RFLA: Receptive Field Label Assignment）戦略を提案する。具体的には、RFLAは特徴マップの受容 fieldがガウス分布に従うという事前知識を活用する。その後、IoUに基づく割り当てやセンター採択戦略ではなく、新しい受容 field距離（RFD: Receptive Field Distance）を導入し、ガウス受容 fieldと真値の類似度を直接測定する。IoU閾値に基づく戦略やセンター採択戦略が大規模物体に偏っていることから、RFDを基盤とした階層的ラベル割り当て（HLA: Hierarchical Label Assignment）モジュールをさらに設計し、微小物体に対するバランスの取れた学習を実現する。4つのデータセットにおける広範な実験により、提案手法の有効性が実証された。特にAI-TODデータセットにおいて、最先端手法を4.0 APポイント上回る性能を達成した。コードは以下のURLで公開されている：https://github.com/Chasel-Tsui/mmdet-rfla