公開データセットのみを用いた強力かつ再現性の高いオブジェクト検出器

本研究では、Focal-Stable-DINOと呼ばれる強力かつ再現性の高い物体検出モデルを提案する。このモデルは、テスト時増強（test time augmentation）を一切用いず、7億パラメータ（700M parameters）のみを用いて、COCO val2017で64.6 AP、COCO test-devで64.8 APを達成した。本モデルは、強力なFocalNet-Hugeバックボーンと効果的なStable-DINO検出器の組み合わせを探索したものである。既存の最先端（SOTA）モデルが大規模なプライベートデータや統合データを用い、膨大なパラメータ数と複雑な学習手法を採用しているのに対し、本モデルは公開データセットであるObjects365にのみ基づいて訓練されており、アプローチの再現可能性を確保している。