학습을 통해 분류하지 않고 개방 세계 객체 제안 학습하기

오브젝트 제안은 객체 검출, 약한 지도 하의 검출, 객체 발견, 추적 등과 같은 많은 비전 파이프라인의 필수적인 전처리 단계가 되었습니다. 학습을 필요로 하지 않는 방법에 비해, 최근 객체 검출에 대한 관심 증가와 함께 학습 기반의 제안 방법들이 인기를 얻고 있습니다. 일반적인 패러다임은 객체 영역과 해당 범주들의 라벨이 있는 데이터에서 객체 제안을 학습하는 것입니다. 그러나 이 접근 방식은 훈련 세트에 없는 새로운 객체들에 대해 종종 어려움을 겪습니다. 본 논문에서는 기존 제안 방법들의 이진 분류기가 훈련 범주에 과적합되는 것이 문제라는 것을 확인하였습니다. 따라서, 우리는 위치와 형태가 실제 객체(예: 중심성과 IoU)와 얼마나 잘 겹치는지를 순수하게 평가하여 각 영역의 객체성을 추정하는 분류 없음 오브젝트 로케이션 네트워크(Object Localization Network, OLN)를 제안합니다. 이 간단한 전략은 일반화 가능한 객체성을 학습하며, COCO에서의 교차 범주 일반화 및 RoboNet, Object365, EpicKitchens에서의 교차 데이터셋 평가에서 기존 제안 방법들을 능가합니다. 마지막으로, 대규모 어휘 집합 데이터셋인 LVIS에서 긴 꼬리(long-tail) 객체 검출에 대한 OLN의 장점을 시연하며, 드문 범주와 일반적인 범주 모두에서 명확한 개선을 관찰하였습니다.