본 연구에서는 성능이 우수한 간단하고 직접적이며 빠른 인스턴스 분할 프레임워크를 구축하는 것을 목표로 합니다. 왕 등이 제안한 "SOLO: 위치에 따른 객체 분할" 방법의 원칙을 따르되, 특히 객체 분할기의 마스크 헤드를 위치에 따라 조건부로 학습하도록 동적으로 개선하였습니다. 구체적으로, 마스크 브랜치는 마스크 커널 브랜치와 마스크 피처 브랜치로 분리되어 각각 합성곱 커널과 합성곱된 특징을 학습합니다. 또한, Matrix NMS (non maximum suppression)를 제안하여 마스크의 NMS 과정에서 발생하는 추론 시간 오버헤드를 크게 줄였습니다. Matrix NMS는 한 번에 병렬 행렬 연산으로 NMS를 수행하여 더 나은 결과를 제공합니다. 우리는 이 간단하고 직접적인 인스턴스 분할 시스템이 속도와 정확도 면에서 몇몇 최신 방법들을 능가함을 보여주었습니다. SOLOv2의 경량 버전은 31.3 FPS로 실행되며 37.1% AP를 달성하였습니다. 또한, 객체 검출(마스크 부산물로부터)과 팬오 ||\\완료된 번역: \\본 연구에서는 성능이 우수한 간단하고 직접적이며 빠른 인스턴스 분할 프레임워크를 구축하는 것을 목표로 합니다. 왕 등이 제안한 "SOLO: 위치에 따른 객체 분할" 방법의 원칙을 따르되, 특히 객체 분할기의 마스크 헤드를 위치에 따라 조건부로 학습하도록 동적으로 개선하였습니다(동적 학습). 구체적으로, 마스크 브랜치는 마스크 커널 브랜치와 마스크 피처 브랜치로 분리되어 각각 합성곱 커널과 합성곱된 특징을 학습합니다. 또한, Matrix NMS (non maximum suppression)를 제안하여 마스크의 NMS 과정에서 발생하는 추론 시간 오버헤드를 크게 줄였습니다. Matrix NMS는 한 번에 병렬 행렬 연산으로 NMS를 수행하여 더 나은 결과를 제공합니다. 우리는 이 간단하고 직접적인 인스턴스 분할 시스템이 속도와 정확도 면에서 몇몇 최신 방법들을 능가함을 보여주었습니다. SOLOv2의 경량 버전은 31.3 FPS로 실행되며 37.1% AP(Average Precision)를 달성하였습니다. 또한, 객체 검출(마스크 부산물로부터)과 팬옵틱 세그멘테이션에서도 최고 수준의 결과를 얻어, 인스턴스 세그멘테이션 외에도 다양한 인스턴스 수준 인식 작업에서 새로운 강력한 기준 모델로서 활용될 가능성을 보여주었습니다.코드는 다음 주소에서 확인 가능합니다: https://git.io/AdelaiDet