밀도 높은 변형 효율적인 주요 객체 검출 네트워크

RGB-D 데이터를 사용한 주요 객체 검출(Salient Object Detection, SOD) 분야는 최근 일부 모델들이 충분히 정확한 결과를 내놓으면서 부상하고 있습니다. 그러나 이러한 모델들은 일반화 능력이 제한적이고 계산 복잡도가 높다는 문제가 있습니다. 본 논문에서는 변형 가능한 합성곱(deformable convolutions)의 우수한 배경/전경 분리 능력을 활용하여, 이를 밀집 변형 네트워크(Densely Deformable Network, DDNet)에 적용하여 효율적인 SOD를 달성하고자 합니다. 밀집 변형 합성곱에서 추출된 주요 영역은 전치 합성곱(transposed convolutions)을 통해 더욱 정교하게 처리되어 최적의 주의도 맵(saliency maps)을 생성합니다. 최근 SOD 데이터셋을 이용한 22개 경쟁 기술과의 양적 및 질적 평가는 우리 방법의 효율성과 효과성을 입증합니다. 또한, 다양한 시나리오에서 훈련된 모델들의 유효성을 확인하기 위해 자체적으로 생성한 크로스-데이터셋인 감시-SOD(Surveillance-SOD, S-SOD)를 사용하여 평가를 제공합니다. 결과는 현재 모델들이 일반화 잠재력이 제한적이므로 이 방향으로 더 많은 연구가 필요함을 나타냅니다. 우리의 코드와 새로운 데이터셋은 https://github.com/tanveer-hussain/EfficientSOD 에 공개될 예정입니다.