変形可能なConvNets V2：より変形可能で、より良い結果

変形可能な畳み込みネットワークの優れた性能は、オブジェクトの幾何学的変動に適応する能力に起因しています。適応的な挙動を検証すると、神経特徴の空間的サポートは、通常のConvNetsよりもオブジェクト構造により密接に合致していますが、このサポートは関心領域を超えて広がる可能性があり、特徴が無関係な画像内容に影響を受けることがあります。この問題に対処するために、私たちは、関連する画像領域に焦点を合わせる能力を改善するために、変形可能なConvNetsの再定式化を提案します。モデリング能力は、ネットワーク内での変形可能な畳み込みのより包括的な統合と、変形モデリングの範囲を拡張する調整メカニズムの導入を通じて強化されます。この強化されたモデリング能力を効果的に活用するために、提案された特徴模倣スキームを通じてネットワークのトレーニングをガイドし、ネットワークがR-CNN特徴のオブジェクト焦点と分類能力を反映する特徴を学習するのを助けます。提案された貢献により、この新しいバージョンの変形可能なConvNetsは、元のモデルに対して significantな性能向上をもたらし、オブジェクト検出とインスタンスセグメンテーションのためのCOCOベンチマークで先導的な結果を生み出します。