形態認識に基づくサンプル割り当て：表面欠陥検出におけるIoU不感性の克服
IoUは候補領域と正解領域の空間的な一致度を評価する重要な指標だが、幾何学的な重なりが異なるサンプルに対して類似したスコアを生じる非感受性領域が存在する。本研究では、面積、形状、アスペクト比をカバーする形態的類似度指標を導入し、平均集約による補助マッチングスコアを生成することで、正サンプル割り当ての精度を向上させる。YOLOv9ベースの実験でNEUDETおよびGC10-DETデータセットにおいて一貫した性能向上を達成し、追加の推論オーバーヘッドはゼロである。
産業用視覚検査において、表面欠陥検出の精度は極めて重要です。深層学習に基づく物体検出モデルは通常、交差比（IoU）を用いて候補領域と正解領域の空間的な一致度を評価し、それによって正サンプル集合の品質を決定します。しかし、arXivに投稿された新しい研究により、IoUには固有の欠陥があることが明らかになりました。IoUの応答曲線には非感受性領域が存在し、幾何学的な重なりが異なるサンプルでもほぼ同じIoUスコアを生じるため、正サンプルの選択が不正確になるのです。
具体的には、IoUは予測ボックスと真値ボックスの積集合と和集合の比率のみを考慮し、形状や面積などの形態情報を無視します。二つのボックスの重なり面積が類似しているが形状が大きく異なる場合、IoUは近いスコアを出力し、正サンプル割り当てを誤らせます。この問題を解決するために、研究者のPengfei Liuらは「形態認識に基づくサンプル割り当て」（Morphology-Aware Sample Assignment）手法を提案しました。彼らは面積、形状、アスペクト比の3次元をカバーする一連の形態的類似度指標を導入します。各候補ボックスと真値ボックスとの面積比、形状類似度（例：Huモーメント）、アスペクト比の差を計算し、これらの多次元類似度を平均集約することで補助マッチングスコアを生成します。このスコアをIoUと組み合わせて、正サンプルの選定を行います。
理論的には、形態的類似度を組み込むことでマッチング関数の応答分布が再形成されます。従来のIoUの応答曲線は非感受性領域で平坦ですが、形態的類似度を導入することで、応答分布に有効な方向勾配が生じ、多角形のような等応答輪郭が生成されます。これらの輪郭は各正解インスタンスの周囲を緊密に囲み、高応答領域を狭い範囲に限定することで、正サンプル選択の精度を大幅に向上させます。著者らはYOLOv9フレームワーク上で実験を行い、NEUDETおよびGC10-DETという二つの産業用表面欠陥データセットで評価しました。実験結果は、平均精度（AP）などの指標において一貫した性能向上を示し、本手法は完全にプラグアンドプレイであり、推論時に追加の計算オーバーヘッドを一切必要としません。そのため、モデルを変更したり推論時間を増やすことなく、既存の検出システムに容易に統合でき、産業用視覚検査への展開に適しています。
まとめると、本研究は形態的類似度を導入することでIoUの不感性を効果的に克服し、正サンプル割り当ての品質を向上させ、表面欠陥検出のための効率的かつ実用的なソリューションを提供します。将来的には、この手法はより精密なマッチングを必要とする他の視覚タスクにも拡張される可能性があります。