객체 탐지에서 분류와 위치 정보를 통합하는 순위 기반 균형 손실 함수

우리는 객체 탐지에서 분류 및 국소화 작업에 대해 통합적이고 경계가 명확하며 균형 잡히고 순위 기반의 손실 함수인 평균 국소화-재현율-정밀도(aLRP)를 제안한다. aLRP는 평균 정밀도(AP) 손실이 분류 작업에 대해 정밀도를 순위 기반 손실 함수로 확장한 방식과 유사하게, 국소화-재현율-정밀도(LRP) 성능 지표(Oksuz 등, 2018)를 확장하여 개발되었다. aLRP는 다음과 같은 독특한 장점들을 지닌다: (i) aLRP는 분류 및 국소화 작업 모두에 대해 처음으로 순위 기반의 손실 함수이다. (ii) 두 작업 모두 순위를 활용함으로써, aLRP는 높은 정밀도의 분류 작업에 대해 자연스럽게 고품질의 국소화를 강제한다. (iii) aLRP는 긍정 샘플과 부정 샘플 사이의 균형을 수학적으로 보장한다. (iv) 최첨단 탐지기에서 평균적으로 약 6개의 하이퍼파라미터를 필요로 하는 손실 함수와 비교하여, aLRP 손실은 오직 하나의 하이퍼파라미터만을 가지며, 실제 적용 시에는 이 하이퍼파라미터를 조정하지 않았다. COCO 데이터셋에서 aLRP 손실은 순위 기반의 전신인 AP 손실보다 약 5 AP 포인트 향상시키며, 테스트 시 증강 없이도 48.9 AP를 달성하고, 모든 일단계 탐지기들보다 우수한 성능을 보였다. 코드는 다음에서 제공된다: https://github.com/kemaloksuz/aLRPLoss