WSOD2：弱教師ありオブジェクト検出のためのボトムアップおよびトップダウンオブジェクトネス蒸留学習

弱教師付きオブジェクト検出（WSOD）は、オブジェクトレベルのアノテーションにおける人間の関与を軽減する上で重要な役割を果たしている。主流の手法は、領域提案機構（region proposal mechanism）と畳み込みニューラルネットワーク（CNN）を統合するものである。CNNは局所的な特徴を効果的に抽出できるものの、バウンディングボックスが完全なオブジェクトを含んでいる確率（すなわち「オブジェクト性（objectness）」）を正確に評価するという大きな課題が依然として残っている。本論文では、弱教師付きオブジェクト検出に特化した訓練メカニズムを設計することで、新たなWSODフレームワーク「Objectness Distillation（WSOD²）」を提案する。本手法では、低レベルの測定値とCNNの信頼度を統合的に考慮し、下向き（bottom-up, BU）と上向き（top-down, TD）のオブジェクト性を適応的線形結合によって複数の回帰ターゲットとして明確に定義する。バウンディングボックスの回帰により、トレーニング中にオブジェクト性が高い領域提案がその回帰ターゲットに近づくように学習が促進されるため、下向きの証拠から得られる深層的なオブジェクト性表現が最適化を通じて徐々にCNNに蒸留（distillation）される。さらに、BU/TDオブジェクト性に対する異なる適応的トレーニング曲線を検討し、提案するWSOD²が最先端の性能を達成できることを示す。