CBNet: 객체 탐지를 위한 새로운 복합 백본 네트워크 아키텍처

기존의 CNN 기반 탐지기에서는 백본 네트워크가 기본 특징 추출에 매우 중요한 역할을 하며, 탐지기의 성능은 이 백본 네트워크에 크게 의존한다. 본 논문에서는 ResNet 및 ResNeXt과 같은 기존의 백본 네트워크들을 기반으로 더 강력한 백본을 구성함으로써 보다 뛰어난 탐지 성능을 달성하는 것을 목표로 한다. 구체적으로, 인접한 백본 간의 복합 연결(composite connections)을 활용하여 동일한 백본들을 새로운 전략으로 조합하는 방식을 제안하며, 이를 통해 더 강력한 백본인 복합 백본 네트워크(Composite Backbone Network, CBNet)를 구성한다. 이러한 방식으로 CBNet은 단계별로 이전 백본의 출력 특징(즉, 고수준 특징)을 다음 백본의 입력 특징의 일부로 반복적으로 전달하며, 최종적으로 마지막 백본(이를 리드 백본, Lead Backbone이라 칭함)의 특징 맵을 사용하여 객체 탐지 수행한다. 우리는 CBNet이 대부분의 최첨단 탐지기와 매우 쉽게 통합 가능하며, 성능을 크게 향상시킬 수 있음을 보여준다. 예를 들어, COCO 데이터셋에서 FPN, Mask R-CNN, Cascade R-CNN의 mAP를 각각 약 1.5~3.0% 증가시킨다. 동시에 실험 결과를 통해 인스턴스 세그멘테이션 성능 향상도 확인할 수 있다. 특히, 단일 모델로 기준 탐지기인 Cascade Mask R-CNN에 제안된 CBNet을 단순히 통합함으로써 COCO 데이터셋에서 새로운 최고 성능(mAP 53.3)을 달성하였으며, 이는 제안된 CBNet 아키텍처의 뛰어난 효과를 입증한다. 코드는 https://github.com/PKUbahuangliuhe/CBNet 에 공개될 예정이다.