This paper considers an architecture, referred to as RankNet, for improving object detection by addressing limitations in existing object detection methods as follows: (1) reweights the important samples considering the IoU and classification score of each positive and negative bounding box, (2) define a ranking score to measure the similarity between ground truth and predicted bounding box to indicate the ranks of bounding boxes for NMS procedure, and a metric called EIoU was proposed to calculate the ranking score. Extensive experiments on the standard COCO dataset show the effectiveness of the proposed method in multiple evaluation metrics, including multiple threshold AP metric. In particular, the proposed RankNet improves the AP of the bounding box 1.2, 2.3, 0.9 points compared to the Fast/Faster and Cascade R-CNN baseline, respectively.
본 논문은 기존 객체 검출 방법을 개선하기 위해 RankNet이라고하는 구조를 제안한다. (1) 각 양수 및 음수 경계 상자의 IoU 및 분류 점수를 고려하여 중요한 샘플의 가중치를 재조정한다. (2) 진실 상자와 예측 상자 사이의 유사도를 측정하여 NMS 과정에 사용될 각 경계 상자의 순위를 나타내는 ranking score를 정의하였으며, ranking score를 계산하기 위하여 EIoU라는 metric을 제안한다. COCO 데이터베이스에 대한 광범위한 실험은 다중 임계 값 AP 메트릭을 포함하여 여러 평가 방법에서 제안 된 방법의 효과성을 보여준다. 특히, 제안 된 RankNet은 Fast/Faster 및 Cascade R-CNN 베이스 라인과 비교하여 객체 검출 시 1.2, 2.3, 0.9 포인트의 AP를 각각 향상한다.