변형 가능한 합성곱 신경망 V2: 더 변형 가능하고, 더 나은 결과

변형 가능한 합성곱 신경망의 우수한 성능은 물체의 기하학적 변형에 적응할 수 있는 능력에서 기인합니다. 적응 행동을 조사하면서, 우리는 신경 특징의 공간적 지원이 기존의 합성곱 신경망보다 물체 구조에 더 밀접하게 맞춰지는 반면, 이 지원이 관심 영역을 넘어 확장되어 비관련 이미지 콘텐츠에 의해 특징이 영향을 받을 수 있음을 관찰합니다. 이 문제를 해결하기 위해, 우리는 관련 이미지 영역에 집중할 수 있는 변형 가능한 합성곱 신경망의 능력을 개선하는 재구성을 제시합니다. 이는 모델링 능력을 증가시키고 강력한 훈련을 통해 이루어집니다. 모델링 능력은 네트워크 내에서 변형 가능한 합성곱의 보다 포괄적인 통합을 통해 향상되며, 변형 모델링의 범위를 확장하는 조정 메커니즘을 도입합니다. 이 향상된 모델링 능력을 효과적으로 활용하기 위해, 우리는 네트워크가 R-CNN 특징의 물체 집중 및 분류 능력을 반영하는 특징을 학습할 수 있도록 돕는 특징 모방 방식을 통해 네트워크 훈련을 안내합니다. 제안된 기여를 통해, 이 새로운 버전의 변형 가능한 합성곱 신경망은 원래 모델보다 상당한 성능 향상을 가져오고, 객체 탐지 및 인스턴스 분할에 대한 COCO 벤치마크에서 선도적인 결과를 생성합니다.