検出とセグメンテーションによる低ショットカウントのための新しい統一アーキテクチャ

少ショットオブジェクトカウンターは、少数または全くアノテーションされたサンプルを使用せずに画像内のオブジェクト数を推定する。これらのシステムでは、オブジェクトがプロトタイプとマッチングすることで局所化され、プロトタイプは非監督的な画像全体のオブジェクト外観集約によって構築される。しかし、オブジェクトの外観が多様であるため、既存の手法はしばしば過度な一般化や偽陽性検出を引き起こす。さらに、最高性能を発揮する方法では、各オブジェクト中心で単位ガウス分布を予測する代替損失関数を使用してオブジェクト局所化を学習する。この損失関数はアノテーションエラーやハイパーパラメータに敏感であり、検出タスクを直接最適化しないため、カウント精度が低下することがある。本研究では、GeCo（Generalizable Counting）という新しい少ショットカウンターを提案する。GeCoは統一されたアーキテクチャにより、正確なオブジェクト検出、セグメンテーション、およびカウント推定を達成する。GeCoは新たな密集したオブジェクトクエリの定式化を通じて、プロトタイプをオブジェクトの多様な外観に対して堅牢に一般化させる。また、新たなカウント損失関数も提案され、これは検出タスクを直接最適化し、標準的な代替損失関数の問題を回避する。実験結果によると、GeCoは主要な少ショット検出ベースのカウンターより総合的なMAE（平均絶対誤差）で約25%上回り、優れた検出精度を達成し、すべての少ショットカウント設定において新しい強固な最先端結果を示している。