非最大抑制（Non-Maximum Suppression、NMS）アルゴリズムは、物体検出タスクの後処理アルゴリズムとして、候補領域集合から最適な境界ボックスを選択し、他の候補ボックスを抑制する役割を果たします。従来のNMSアルゴリズムは、クラス信頼度が最も高い候補ボックスを最適な境界ボックスとして選択しますが、クラス信頼度と位置精度の相関を無視しています。クラス信頼度が高いからといって、そのボックスの位置精度が高いとは限りません。この問題を解決するために、新しい再配置非最大抑制（Relocation Non-Maximum Suppression、R-NMS）アルゴリズムを提案しました。クラス信頼度スコアが最も高い候補ボックスを最適な境界ボックスとして選択し、R-NMSアルゴリズムで提案された境界ボックス間距離の測定方法を用いて、交差率（IoU）に代わり境界ボックス間の距離を評価します。その後、最適な境界ボックスの周囲にある候補ボックスの位置情報を取得し、その位置情報を利用して最適な境界ボックスの再配置操作を行い、新たな最適境界ボックスを得ます。PASCAL VOC2012データセットでテストを行い、実験結果は従来のNMSおよびSoft-NMSアルゴリズムと比較して、R-NMSアルゴリズムが物体検出器YOLOv3でのmAPをそれぞれ0.7％、0.5％向上させ、Faster-RCNNでのmAPが80.83％に達したことを示しています。本アルゴリズムは、物体検出器の検出精度を効果的に向上させることができます。

コンピュータビジョン; 深層学習; 物体検出; 非最大抑制