人間が人間をラベリングする必要はない：遮蔽された人間のインスタンスセグメンテーションのためのオクルージョン コピー＆ペースト

現代の物体検出およびインスタンスセグメンテーションネットワークは、混雑した場面や大部分が隠れた人間を識別する際に困難を経験します。しかし、これらのシナリオはしばしば我々の検出器が正確に動作することが求められる状況です。多くの研究では、この問題に対処するためにモデル中心的な改善手法が提案されています。これらの監督学習方法は一定程度効果があることが示されていますが、改善を最大化するためには訓練時に十分な関連例（つまり、隠れた人間）が必要です。当研究では、単純ながら効果的なデータ中心的なアプローチである「遮蔽コピー＆ペースト」を提案します。これは既存の大規模データセットを利用することで、追加のデータや手動ラベリングなしで遮蔽されたシナリオでのインスタンスセグメンテーション性能を向上させる方法です。原理に基づいた研究を通じて、コピー＆ペースト拡張手法に対する様々な提案が本当に性能向上に寄与するかどうかを示しています。当研究で提案する「遮蔽コピー＆ペースト」拡張手法は任意のモデルと容易に互換性があり、最近の汎用インスタンスセグメンテーションモデルに対して明示的なモデル構造設計を行わずに適用することで、非常に難しいOCHumanデータセットにおいて最先端のインスタンスセグメンテーション性能を達成しました。ソースコードは https://github.com/levan92/occlusion-copy-paste で入手可能です。注：「Occlusion Copy & Paste」は「遮蔽コピー＆ペースト」と訳しました。「OCHuman dataset」は一般的な用語として使用されるため、「OCHumanデータセット」と訳しました。