불확실성을 가진 경계 상자 회귀를 통한 정확한 객체 탐지

대규모 객체 탐지 데이터셋(예: MS-COCO)은 가능한 한 명확하게 기준 진실 경계 상자를 정의하려고 합니다. 그러나 우리는 경계 상자를 레이블링할 때 여전히 모호성이 발생한다는 것을 관찰합니다. 본 논문에서는 경계 상자 변환 및 위치 불확실성을 함께 학습하기 위한 새로운 경계 상자 회귀 손실을 제안합니다. 우리의 손실 함수는 추가적인 계산 없이 다양한 구성을 통해 위치 정확도를 크게 향상시킵니다. 학습된 위치 불확실성은 비최대 억제(NMS) 중에 인접한 경계 상자를 병합할 수 있게 하여 위치 성능을 더욱 향상시킵니다. MS-COCO에서 우리는 VGG-16 Faster R-CNN의 평균 정밀도(AP)를 23.6%에서 29.1%로 상승시킵니다. 더 중요한 것은, ResNet-50-FPN Mask R-CNN의 경우, 우리의 방법이 AP와 AP90을 각각 1.8% 및 6.2% 향상시켜 이전의 최첨단 경계 상자 정제 방법들을 크게 능가한다는 것입니다. 우리의 코드와 모델은 github.com/yihui-he/KL-Loss에서 확인할 수 있습니다.