Blob의 위치: 점 감독을 통한 지역화를 이용한 개체 수 세기

물체 카운팅은 감시, 교통 모니터링, 일상 물체의 카운팅 등 다양한 응용 분야에서 증가하는 수요로 인해 컴퓨터 비전에서 중요한 작업입니다. 최신 방법들은 회귀 기반 최적화를 사용하여 관심 대상의 물체를 명시적으로 세는 것을 학습합니다. 이러한 방법들은 각 물체의 위치, 크기, 및 형태를 예측해야 하는 더 어려운 작업을 학습해야 하는 탐지 기반 방법들보다 종종 더 우수한 성능을 보입니다. 그러나 우리는 객체의 크기와 형태를 추정할 필요가 없으며 회귀 기반 방법들을 능가하는 탐지 기반 방법을 제안합니다. 우리의 공헌은 세 가지 측면에서 이루어집니다: (1) 포인트 레벨 주석만을 사용하여 네트워크가 객체 인스턴스당 하나의 블롭(blob)을 출력하도록 유도하는 새로운 손실 함수(loss function)를 제안합니다; (2) 큰 예측 블롭을 객체 인스턴스 간에 분할하기 위한 두 가지 방법을 설계합니다; 그리고 (3) 우리의 방법이 Pascal VOC 및 Penguins 데이터셋과 같은 여러 도전적인 데이터셋에서 새로운 최고 수준의 결과를 달성함을 보여줍니다. 우리의 방법은 심도 특징, 다중 포인트 주석, 바운딩 박스 라벨 등의 강력한 감독 정보를 사용하는 방법들보다도 우수한 성능을 보입니다.