锚점 없는 객체 탐지를 위한 로컬라이제이션 불확실성 추정

많은 안전 핵심 시스템, 예를 들어 수술 로봇이나 자율 주행 차량은 센서 노이즈와 불완전한 데이터가 존재하는 불안정한 환경에서 작동하기 때문에, 객체 탐지기에서 위치 불확실성을 고려하는 것이 바람직하다. 그러나 기존의 앵커 기반 객체 탐지에 대한 불확실성 추정 방법에는 몇 가지 한계가 있다. 첫째, 위치(중심점)와 크기(너비, 높이)와 같이 다양한 특성과 스케일을 가진 비동질적인 객체 속성을 불확실성으로 모델링하나, 이는 추정하기 어렵다. 둘째, 박스 오프셋을 가우시안 분포로 모델링하지만, 실제 정답 경계 상자(Bounding Box)는 디랙 델타 분포를 따르므로 이는 상호 호환되지 않는다. 셋째, 앵커 기반 방법은 앵커 하이퍼파라미터에 민감하므로, 위치 불확실성 역시 하이퍼파라미터의 선택에 매우 민감하게 나타날 수 있다. 이러한 한계를 해결하기 위해, 우리는 앵커리스 객체 탐지를 위한 새로운 위치 불확실성 추정 방법인 UAD(Uniform Uncertainty Detection)를 제안한다. 본 방법은 박스 오프셋의 네 방향(좌, 우, 상, 하)에 대한 동질적인 불확실성을 포착하여, 어느 방향이 불확실한지 명확히 파악할 수 있고, 불확실성의 양적 값을 [0, 1] 범위 내에서 제공한다. 이러한 불확실성 추정을 가능하게 하기 위해, IoU를 가중치로 사용하여 가능도 손실을 조정하는 새로운 불확실성 손실, 즉 음의 거듭제곱 로그 가능도 손실(negative power log-likelihood loss)을 설계하였다. 이는 모델의 잘못된 지정 문제(model misspecification)를 완화한다. 또한, 추정된 불확실성을 분류 점수에 반영하기 위해 불확실성 인지형 포칼 손실(uncertainty-aware focal loss)을 제안한다. COCO 데이터셋에서의 실험 결과, 본 방법은 계산 효율성을 희생하지 않으면서 FCOS 성능을 최대 1.8점 향상시킴을 입증하였다.