Anchor-free, Two-stage 객체 탐지를 위한 코너 제안 네트워크

객체 탐지의 목표는 이미지 내 객체의 클래스와 위치를 결정하는 것이다. 본 논문에서는 잠재적인 모서리 키포인트 조합을 탐색함으로써 여러 개의 객체 제안을 추출한 후, 독립된 분류 단계를 통해 각 제안에 클래스 레이블을 할당하는 새로운 앵커리스(Anchor-free), 두 단계 프레임워크를 제안한다. 우리는 이러한 두 단계가 각각 리콜과 정밀도 향상에 효과적인 해결책이 될 수 있음을 입증하였으며, 이를 엔드투엔드 네트워크에 통합할 수 있음을 보였다. 본 연구에서 제안한 방법은 '모서리 제안 네트워크(Corner Proposal Network, CPN)'라 명명하였으며, 다양한 크기의 객체를 탐지할 수 있는 능력을 갖추고 있으며, 많은 수의 거짓 긍정 제안에 의해 혼동되는 문제를 피할 수 있다. MS-COCO 데이터셋에서 CPN은 49.2%의 AP를 달성하여 최신 객체 탐지 기법들 중에서도 경쟁력 있는 성능을 보였다. 또한 CPN은 계산 효율성에 적합한 구조를 갖추고 있으며, 26.2/43.3 FPS에서 각각 41.6%/39.7%의 AP를 기록하여 동일한 추론 속도를 가진 대부분의 경쟁 기법들을 능가하였다. 코드는 https://github.com/Duankaiwen/CPNDet 에서 공개되어 있다.