DeFRCN: 분리된 Faster R-CNN을 이용한 소수 샘플 객체 검출

소수 샘플 객체 검출은 이전에 본 적 없는 클래스의 극히 적은 주석된 예제로부터 새로운 객체를 빠르게 검출하는 것을 목표로 하며, 이 분야에서 상당한 연구 관심을 받고 있습니다. 기존의 대부분 접근 방식은 기본적인 검출 프레임워크로 Faster R-CNN을 사용하지만, 데이터 부족 시나리오에 대한 특화된 고려가 부족하여 성능이 종종 만족스럽지 않습니다. 본 논문에서는 전통적인 Faster R-CNN을 자세히 살펴보고, 다단계 (RPN 대비 RCNN)와 다중 작업 (분류 대비 위치 추정)이라는 두 가지 직교적 관점에서 그 모순점을 분석합니다. 이러한 문제를 해결하기 위해, 우리는 단순하면서도 효과적인 아키텍처인 분리형 Faster R-CNN (Decoupled Faster R-CNN, DeFRCN)을 제안합니다. 구체적으로, 우리는 Gradient Decoupled Layer를 도입하여 다단계 분리를 수행하고, Prototypical Calibration Block을 도입하여 다중 작업 분리를 실현하였습니다.前者는 후속 계층과 선행 계層을 분리하기 위해 특징 전방 연산과 그래디언트 역방향 연산을 재정의한 새로운 딥 레이어이며,后者는 검출기에서 제안된 입력을 받아 원래의 분류 점수를 추가적인 쌍별 점수로 보완하여 교정하는 오프라인 프로토타입 기반 분류 모델입니다. 여러 벤치마크에서 수행한 광범위한 실험 결과, 우리의 프레임워크가 다른 기존 접근 방식보다 현저히 우수하며 소수 샘플 문헌에서 새로운 최신 기준(SOTA)을 설정함을 보여주었습니다.注: 为了保持句子结构的自然流畅，我在翻译中对部分句子进行了结构调整。例如，“The former is a novel deep layer...” 和 “后者是...” 这两句话在韩文中分别对应了两个独立的句子，以符合韩语的表达习惯。希望这能帮助您更好地理解原文内容。