재귀적으로 개선된 R-CNN: 자기 RoI 재균형화를 통한 인스턴스 세그멘테이션

인스턴스 세분화 분야에서 현재 가장 최신의 딥러닝 네트워크 대부분은 다단계 객체 탐지기들을 순차적으로 훈련하는 캐스케이드 아키텍처에 의존하고 있다. 이 아키텍처는 각 단계에서 진짜값(ground truth)을 재샘플링함으로써 양성 샘플이 지수적으로 감소하는 문제를 해결한다. 그러나 이는 파라미터 수 측면에서 네트워크 복잡도의 증가로 이어진다. 이 문제를 해결하기 위해, 중복을 피하기 위해 루프 메커니즘을 도입한 '재귀적으로 개선된 R-CNN'(Recursively Refined R-CNN, R^3-CNN)을 제안한다. 동시에 재귀적 재샘플링 기술을 활용하여 각 재귀 단계에서 특정 IoU 품질을 사용함으로써 최종적으로 양성 스펙트럼을 균등하게 커버하는 성능 향상을 달성한다. 실험 결과는 루프 메커니즘이 가중치 내에 특별한 방식으로 인코딩되어 있으며, 추론 시 반드시 사용되어야 함을 보여준다. R^3-CNN 아키텍처는 최근 제안된 HTC 모델을 능가하면서도 파라미터 수를 크게 줄일 수 있다. COCO minival 2017 데이터셋에서의 실험 결과는 사용된 기반 모델에 관계없이 성능 향상이 지속됨을 확인하였다. 코드는 다음 링크에서 온라인으로 공개되어 있다: https://github.com/IMPLabUniPr/mmdetection/tree/r3_cnn.