객체 탐지에서의 상호 안내: 로컬라이즈하여 분류하고, 분류하여 로컬라이즈하기

대부분의 딥러닝 객체 탐지기는 앵커 메커니즘을 기반으로 하며, 사전 정의된 앵커 박스와 진짜 박스(Ground truth boxes) 사이의 교차율(Intersection over Union, IoU)을 사용하여 앵커와 객체 간의 매칭 품질을 평가한다. 본 논문에서는 이러한 IoU 사용 방식에 대해 의문을 제기하고, 학습 단계에서 위치 추정과 분류 작업의 최적화를 동시에 고려하여 안내되는 새로운 앵커 매칭 기준을 제안한다. 이 기준은 한 작업의 예측 결과를 활용하여 다른 작업의 샘플 앵커를 동적으로 할당하고, 반대로 다른 작업의 성능을 향상시키는 상호 지도(mutual guidance) 전략을 채택한다. 제안된 방법은 간단함에도 불구하고, PASCAL VOC 및 MS COCO 데이터셋에서 다양한 최신 딥러닝 아키텍처를 대상으로 수행한 실험을 통해 본 전략의 효과성과 일반화 능력을 입증한다.