초록
변형 합성곱 네트워크(Deformable Convolutional Networks)의 우수한 성능은 객체의 기하학적 변동에 적응할 수 있는 능력에서 비롯됩니다. 이들의 적응 행동을 검토함으로써, 공간적 지원이 일반적인 ConvNets보다 객체 구조에 더 가깝게 부합하지만, 그럼에도 불구하고 관심 영역을 크게 벗어나는 경우가 있어 무관한 이미지 내용에 의해 특징들이 영향을 받을 수 있다는 것을 관찰할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 변형 합성곱 네트워크의 관련 이미지 영역에 집중하는 능력을 향상시키기 위한 개선된 공식화를 제시합니다. 이는 네트워크 내에서 변형 합성곱의 보다 포괄적인 통합과, 변형 모델링의 범위를 확장하는 조절 메커니즘(modulation mechanism) 도입을 통해 모델링 능력을 강화합니다. 이러한 향상된 모델링 능력을 효과적으로 활용하기 위해, 우리는 R-CNN 특징의 객체 집중 및 분류 능력을 반영하는 특징 학습을 돕는 제안된 특징 모방 방식(feature mimicking scheme)을 통해 네트워크 훈련을 안내합니다. 제안된 기여 덕분에, 이 새로운 버전의 변형 합성곱 네트워크는 원래 모델보다 큰 성능 향상을 이루며, COCO 벤치마크에서 객체 감지와 인스턴스 세그멘테이션에 대한 선도적인 결과를 생성합니다.