초록
윤곽 정보는 주목할 만한 객체 탐지에서 핵심적인 역할을 한다. 그러나 기존의 윤곽 기반 모델은 윤곽-주목성 융합이 부족하여 예측 결과에 과도한 거짓 양성(false positive)이 남아 있는 문제가 있다. 본 연구에서는 주목할 만한 객체 탐지에서 더 뛰어난 에지 품질을 달성하기 위해 새로운 네트워크를 설계하였다. 우리는 윤곽과 주목성 간의 정보를 교환할 수 있도록 윤곽-주목성 혼합 모듈(Contour-Saliency Blending Module)을 제안하였다. 또한, 총 학습 가능한 파라미터 수를 유지하면서도 윤곽-주목성 융합을 강화하기 위해 재귀적 CNN(Recursive CNN)을 도입하였다. 더불어, 이전 중간 주목성 예측 결과로부터 가장 유용한 특징을 효과적으로 추출할 수 있도록 단계별 특징 추출 모듈(Stage-wise Feature Extraction Module)을 설계하였다. 또한, 모델이 더 나은 경계 예측을 생성할 수 있도록 이중 제약 손실(Dual Confinement Loss)과 신뢰도 손실(Confidence Loss)이라는 두 가지 새로운 손실 함수를 제안하였다. 다섯 가지 대표적인 벤치마크 데이터셋에서 수행된 평가 결과는 제안한 모델이 경쟁력 있는 최첨단 성능을 달성함을 보여준다.