CRNet: 맥락 지향 추론 네트워크를 통한 어려운 객체 탐지

최근 연구들은 객체 탐지에서 인상적인 성능을 보여주었습니다. 그러나 대부분의 현재 탐지기는 객체를 찾고 분류하기 위해 외관 특징만 탐색하고 이미지를 통한 귀중한 맥락 정보를 무시하거나 저평가하여 작은 객체, 가려진 객체, 흐릿한 객체 등과 같은 어려운 객체의 탐지 성능을 제한합니다. 이 기사에서는 대신 새로운 맥락 모델링 프레임워크를 구축하고 객체 탐지를 위한 보다 효과적인 맥락 추론을 수행하고자 합니다. 구체적으로, 우리는 객체 간의 관계를 탐색하고 쉽게 감지된 객체를 사용하여 어려운 객체를 이해하는 데 도움이 되는 맥락 지향 추론 네트워크(CRNet)를 설계합니다. 우리의 CRNet에서 이미지는 그래프로 모델링되고 객체의 지역 특징은 객체 간의 관계 학습을 위한 그래프의 노드로 간주됩니다. 구축된 그래프에서 맥락 정보를 전달함으로써 어려운 객체의 특징을 구별 가능한 특징으로 업데이트할 수 있습니다. 이를 위해 먼저 CenterNet에 기반한 레이어드 중심 예측 모듈을 개발하여 그래프의 노드로 간주되는 고품질 제안 집합을 생성합니다. 또한, 전역 맥락 정보의 가치를 극대화하기 위해 전체 장면 정보를 인코딩하는 다중 세분화 특징 융합 네트워크를 제안하여 역시 그래프의 노드로 간주됩니다. 이후 객체 간의 공간적 및 의미적 관계가 학습되어 그래프의 엣지를 초기화합니다. 마지막으로, 맥락 추론이 수행되어 노드 상태가 반복적으로 업데이트됩니다. MS COCO와 Pascal VOC에서 광범위한 실험을 통해 제안된 CRNet의 효과를 입증하였습니다. 실험 결과, 제안된 CRNet이 기존의 맥락 기반 탐지기보다 탐지 성능을 크게 향상시킴을 보여주며, 최신 탐지기와 비교할 수 있는 수준입니다.