슬렌더 객체 탐지: 진단과 개선

이 논문에서는 극단적인 종횡비를 가지는 특별한 유형의 객체, 즉 \textbf{긴 오브젝트(sleender objects)}의 탐지를 다룬다. 실제 환경에서 긴 오브젝트는 매우 흔하며, 객체 탐지 시스템의 목적 달성에 있어 핵심적인 역할을 한다. 그러나 기존의 객체 탐지 알고리즘들은 이 유형의 객체를 거의 무시해왔다. 본 연구에서 조사한 결과, 전통적인 객체 탐지 방법을 사용할 경우, COCO 데이터셋에서 긴 오브젝트에 대해 단독으로 평가할 때 mAP가 무려 18.9% 감소하는 현상이 관측되었다. 따라서 본 연구에서는 긴 오브젝트 탐지 문제를 체계적으로 탐구한다. 이를 위해 신중하게 설계된 벤치마크와 평가 프로토콜을 갖춘 분석 프레임워크를 구축하였으며, 다양한 알고리즘과 모듈들이 이 프레임워크 내에서 검사되고 비교될 수 있도록 하였다. \New 본 연구는 효과적인 긴 오브젝트 탐지가 \textbf{아무런}(1) 앵커 기반의 위치 지정, (2) 특별히 설계된 박스 표현 방식 없이도 달성될 수 있음을 밝혀냈다. 오히려, 긴 오브젝트 탐지 성능 향상의 핵심은 \textbf{특징 적응(feature adaptation)}에 있다. 본 연구는 기존 방법들에서 이전에 소외되었던 통찰을 식별하고 확장함으로써 이를 실현하였다. 더불어, 현재 대표적인 객체 탐지 방법들에 비해 명확하고 일관된 성능 향상을 보이는 특징 적응 전략을 제안한다.