불확실성을 고려한 정확한 객체 검출을 위한 바운딩 박스 회귀

대규모 객체 검출 데이터셋(예: MS-COCO)은 가능한 한 명확하게 지상 진리 바운딩 박스를 정의하려고 합니다. 그러나, 우리는 바운딩 박스를 라벨링할 때 여전히 모호성이 도입되는 것을 관찰하였습니다. 본 논문에서는 바운딩 박스 변환과 위치 추정 분산을 함께 학습하기 위한 새로운 바운딩 박스 회귀 손실 함수를 제안합니다. 우리의 손실 함수는 거의 추가적인 계산 없이 다양한 아키텍처의 위치 추정 정확도를 크게 향상시킵니다. 학습된 위치 추정 분산은 비최대 억제(NMS) 과정에서 인접한 바운딩 박스들을 병합하는 것을 가능하게 하며, 이는 위치 추정 성능을 더욱 향상시키는 역할을 합니다. MS-COCO에서 VGG-16 Faster R-CNN의 평균 정밀도(AP)를 23.6%에서 29.1%로 향상시켰습니다. 더욱 중요한 점은, ResNet-50-FPN Mask R-CNN에 대해 우리의 방법이 AP와 AP90을 각각 1.8%와 6.2% 향상시켜, 기존 최신 바운딩 박스 개선 방법들보다 현저히 우수한 성능을 보였다는 것입니다. 우리의 코드와 모델은 다음 주소에서 이용 가능합니다: github.com/yihui-he/KL-Loss