13일 전

NMS-Loss: 혼잡한 보행자 탐지를 위한 비최대 억제를 통한 학습

Zekun Luo, Zheng Fang, Sixiao Zheng, Yabiao Wang, Yanwei Fu
NMS-Loss: 혼잡한 보행자 탐지를 위한 비최대 억제를 통한 학습
초록

비최대 억제(Non-Maximum Suppression, NMS)는 객체 탐지에 필수적인 기술로, 특히 인파가 겹쳐지는 상황에서 오류 양성(FP, False Positive)과 오류 음성(FN, False Negative)을 포함함으로써 평가 결과에 큰 영향을 미친다. 본 논문에서는 NMS로 인해 학습 타깃과 평가 지표 사이의 연결성이 약해지는 문제를 제기하고, 추가적인 네트워크 파라미터 없이 NMS 과정을 엔드투엔드(end-to-end)로 학습할 수 있도록 하는 새로운 NMS-Loss를 제안한다. 제안하는 NMS-Loss는 NMS가 오류 양성(FP)을 억제하지 못하거나 오류 음성(FN)을 잘못 제거하는 두 가지 경우에 대해 처벌한다. 구체적으로, 동일한 타깃에 해당하는 예측값들을 서로 가깝게 끌어당기는 ‘풀 손실(pull loss)’과 서로 다른 타깃에 해당하는 예측값들을 서로 멀리 밀어내는 ‘푸시 손실(push loss)’을 제안한다. 실험 결과, NMS-Loss의 도움을 받아 개발한 탐지기(NMS-Ped)는 Caltech 데이터셋에서 5.92%의 미스율(Miss Rate), CityPersons 데이터셋에서는 10.08%의 미스율을 기록하여, 기존 최고 성능 모델들을 모두 상회하는 뛰어난 성능을 보였다.

NMS-Loss: 혼잡한 보행자 탐지를 위한 비최대 억제를 통한 학습 | 최신 연구 논문 | HyperAI초신경