RepPoints V2: 객체 탐지를 위한 검증과 회귀의 만남

신경망에서 예측을 위한 두 가지 일반적인 방법론으로 검증(verification)과 회귀(regression)이 있다. 각각은 고유한 장점을 지닌다. 검증은 정확한 추론이 비교적 쉬운 반면, 회귀는 연속형 목표 변수에 더 효율적이고 적용 가능성이 높다. 따라서 이 두 방법을 주의 깊게 결합함으로써 각각의 장점을 극대화하는 것이 종종 유리하다. 본 논문에서는 이러한 철학을 바탕으로 최신 기술 수준의 객체 탐지, 특히 RepPoints에 적용한다. RepPoints는 높은 성능을 제공하지만, 객체 위치 추정에 회귀에 과도하게 의존함으로써 개선의 여지가 있음을 발견하였다. 본 연구에서는 RepPoints의 위치 추정 과정에 검증 작업을 도입하여 RepPoints v2를 제안한다. 이는 다양한 백본 구조와 학습 방법을 사용하여 COCO 객체 탐지 벤치마크에서 원래 RepPoints 대비 약 2.0 mAP의 일관된 성능 향상을 제공한다. 또한 RepPoints v2는 단일 모델로 COCO \texttt{test-dev}에서 52.1 mAP를 달성하였다. 더 나아가 제안하는 접근법이 다른 객체 탐지 프레임워크와 인스턴스 세그멘테이션과 같은 응용 분야에도 보다 일반적으로 성능 향상을 가져올 수 있음을 보여준다. 코드는 https://github.com/Scalsol/RepPointsV2 에서 공개되어 있다.