What’s in the Black Box? The False Negative Mechanisms Inside Object Detectors

要約

物体検出では、検出器が対象物体を検出できなかった場合に偽陰性が発生する。物体検出器がなぜ偽陰性を発生させるかを理解するために、我々は5つの「偽陰性メカニズム」を特定し、それぞれのメカニズムは検出器アーキテクチャ内の特定のコンポーネントがどのように失敗したかを説明する。2段および1段のアンカーボックス型物体検出器アーキテクチャに注目し、これらの偽陰性メカニズムを定量化するためのフレームワークを導入する。このフレームワークを用いて、Faster R-CNNとRetinaNetがなぜベンチマークビジョンデータセットとロボティクスデータセットにおいて物体検出に失敗するのかを調査する。我々は、検出器の偽陰性メカニズムが、コンピュータビジョンのベンチマークデータセットとロボティクスの展開シナリオの間で大きく異なることを示す。このことは、ベンチマークデータセット用に開発された物体検出器をロボット工学アプリケーションに変換する際に示唆を与えるものである。

要約(オリジナル)

In object detection, false negatives arise when a detector fails to detect a target object. To understand why object detectors produce false negatives, we identify five ‘false negative mechanisms’, where each mechanism describes how a specific component inside the detector architecture failed. Focusing on two-stage and one-stage anchor-box object detector architectures, we introduce a framework for quantifying these false negative mechanisms. Using this framework, we investigate why Faster R-CNN and RetinaNet fail to detect objects in benchmark vision datasets and robotics datasets. We show that a detector’s false negative mechanisms differ significantly between computer vision benchmark datasets and robotics deployment scenarios. This has implications for the translation of object detectors developed for benchmark datasets to robotics applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL