초록
본 논문에서는 복잡한 환경에서 성능을 향상시키기 위해 깊이 이미지가 보완 정보를 제공하는 RGB-D 주요 객체 검출을 위한 효율적이고 소형화된 딥 네트워크 개발을 목표로 합니다. 다중 스케일 잔차 블록을 통해 조악한 초기 예측을 시작으로, 점진적으로 안내되는 대체 정교화 네트워크(progressive guided alternate refinement network)를 제안하여 이를 정교화합니다. 기존의 ImageNet 사전 학습 백본 네트워크를 사용하지 않고, 처음부터 학습하여 가벼운 깊이 스트림을 구축하였습니다. 이는 중복성을 줄이고 보완적인 특징을 더 효율적으로 추출할 수 있습니다. 또한 기존의 융합 기반 방법과 달리, RGB와 깊이 특징이 제안된 안내 잔차(GR) 블록에 번갈아가며 입력되어 서로간의 성능 저하를 줄입니다. 각 사이드 출력 내에서 쌓인 GR 블록에 점진적인 안내를 할당함으로써 오검출과 누락된 부분을 효과적으로 수정할 수 있습니다. 일곱 개의 벤치마크 데이터셋에 대한 광범위한 실험 결과, 본 모델은 기존 최신 접근법보다 크게 우수한 성능을 보였으며, 효율성(71 FPS)과 모델 크기(64.9 MB)에서도 우월함을 입증하였습니다.