초록
우리는 이단계 객체 탐지에 대한 확률적 해석을 제안한다. 이 확률적 해석은 여러 일반적인 경험적 학습 관행을 설명하며, 이는 이단계 탐지 파이프라인에 대한 개선 방향을 시사한다. 구체적으로, 첫 번째 단계는 적절한 객체 대 배경의 가능성을 추론해야 하며, 이러한 가능성이 최종 탐지기 점수에 직접적으로 반영되어야 한다. 일반적인 영역 제안 네트워크(RPN)는 이러한 가능성을 충분히 추론하지 못하지만, 많은 일단계 탐지기들은 이를 가능하게 한다. 우리는 최신 일단계 탐지기 중 어느 것이라도 활용하여 확률적 이단계 탐지기를 구축할 수 있음을 보여준다. 결과적으로 얻어진 탐지기는 기존의 일단계 및 이단계 탐지기보다 더 빠르고 정확하다. 단일 스케일 테스트를 사용하여 COCO test-dev에서 56.4 mAP를 달성하였으며, 이는 현재까지 발표된 모든 결과를 넘어서는 성능이다. 가벼운 백본을 사용할 경우, Titan Xp에서 33 fps의 속도로 COCO에서 49.2 mAP를 기록하며, 인기 있는 YOLOv4 모델보다 우수한 성능을 보였다.