정확한 객체 탐지를 위한 위치 결정 신뢰도 습득

현대의 CNN 기반 객체 탐지기는 객체를 로컬라이즈하기 위해 바운딩 박스 회귀와 비최대 억제를 사용합니다. 클래스 레이블에 대한 확률은 자연스럽게 분류 신뢰도를 반영하지만, 위치 결정 신뢰도는 없습니다. 이로 인해 적절하게 로컬라이즈된 바운딩 박스가 반복 회귀 과정에서 퇴화하거나 NMS 중에 억제됩니다. 본 논문에서는 각 탐지된 바운딩 박스와 매칭되는 실제값 간의 IoU를 예측하기 위한 IoU-Net 학습을 제안합니다. 네트워크는 위치 결정의 신뢰도를 습득하여 정확하게 로컬라이즈된 바운딩 박스를 보존함으로써 NMS 절차를 개선합니다. 또한, 예측된 IoU를 목표로 삼는 최적화 기반 바운딩 박스 정제 방법을 제안합니다. MS-COCO 데이터셋에 대한 광범위한 실험을 통해 IoU-Net의 효과성과 여러 최신 객체 탐지기와의 호환성 및 적응성을 확인했습니다.