세그멘테이션은 당신이 필요로 하는 전부입니다.

영역 제안 메커니즘은 이미지에서 객체 검출을 위한 기존의 딥러닝 접근 방식에서 필수적입니다. 일반적으로 정상적인 상황에서는 좋은 검출 성능을 달성할 수 있지만, 극단적인 경우의 장면에서는 재현율이 용납할 수 없을 정도로 낮습니다. 이는 주로 바운딩 박스 주석에 많은 환경 노이즈 정보가 포함되어 있으며, 비최대 억제(NMS)가 타겟 박스를 선택하기 위해 필요하기 때문입니다. 따라서 본 논문에서는 NMS를 사용하지 않는 최초의 앵커 없는 객체 검출 모델인 약간 감독된 다중모달 주석 분할(WSMA-Seg)을 제안합니다. WSMA-Seg는 분할 모델을 활용하여 NMS 없이 정확하고 강건한 객체 검출을 수행합니다. WSMA-Seg에서 다중모달 주석은 약간 감독된 바운딩 박스를 사용하여 인스턴스 인식 분할을 달성하는 데 사용되며, 또한 실행 데이터 기반 추적 알고리즘을 개발하여 객체의 윤곽선을 추적합니다. 또한, WSMA-Seg의 기본 분할 모델로서 다중 스케일 풀링 분할(MSP-Seg)을 제안하여 더 정확한 분할과 WSMA-Seg의 검출 정확도 향상을 도모합니다. 여러 데이터셋에 대한 실험 결과는 제안된 WSMA-Seg 접근 방식이 최신 검출기보다 우수함을 보여줍니다.