HR-SemNet: ローカルコンテキストセマンティクスによる高解像度小物体検出ネットワーク

科学分野:

• コンピュータビジョン
• ディープラーニング
• 物体検出

背景:

• 高解像度特徴マップは小物体検出に不可欠ですが、セマンティック情報が不足していることがよくあります。
• 既存の手法は、背景のスミアや冗長なディープ特徴に対処するのに苦労しており、パフォーマンスが低下しています。
• 高解像度の物体詳細と関連するセマンティックコンテキストの両方を効果的にキャプチャするための改善された手法が必要です。

研究 の 目的:

• 高解像度ネットワーク（HR-SemNet）を開発し、セマンティック情報と特徴表現の制限に対処することで、小物体を効果的に検出すること。
• 小物体検出システムの精度と効率を向上させること。
• 小物体特徴の抽出と背景コンテキストセマンティクスの分離を行うこと。

主な方法:

• 高解像度レイヤーに計算リソースを集中させ、より鮮明な小物体特徴を抽出する新しい高解像度バックボーン（HRB）を提案しました。
• 大規模な干渉を回避するために、ローカルウィンドウ内で背景セマンティクスを抽出するローカルコンテキストセマンティックモジュール（LCSM）を導入しました。
• 小物体セマンティクス（HRB）とコンテキストセマンティクス（LCSM）を独立して抽出するHR-SemNetを開発しました。

主要な成果:

• HR-SemNetは、VisDrone、AI-TOD、TinyPersonデータセットで大幅な改善を達成しました。
• VisDroneデータセットでは、HR-SemNetは平均適合率（mAP）を4.6％向上させました。
• この手法は、計算コスト（GFLOPs）を49.9％、パラメータ数を94.9％削減しました。

結論:

• HR-SemNetは、高解像度特徴とローカルコンテキストセマンティクスを活用することで、小物体検出の課題を効果的に解決します。
• 提案されたアーキテクチャは、従来のメソッドと比較して、より効率的で正確なアプローチを提供します。
• 分離戦略は、複雑な背景に妨げられることなく小物体を検出する能力を向上させます。