초록
최근 몇 년 동안 딥 러닝 기반의 주요 객체 검출 문제 해결 방법이 큰 성과를 거두었습니다. 이러한 모델의 대부분은 인코더와 디코더를 기반으로 하며, 다양한 다중 특성 조합을 사용합니다. 본 논문에서는 특성 연결(concatenation)이 곱셈(multiplication)이나 덧셈(addition)과 같은 다른 조합 방법보다 더 우수한 결과를 나타냄을 보입니다. 또한, 공동 특성 학습은 처리 과정에서 정보 공유로 인해 더 나은 결과를 제공합니다. 우리는 경계선 유지(edge preservation)와 함께 필요한 특성을 추출하기 위해 보완적 추출 모듈(Complementary Extraction Module, CEM)을 설계하였습니다. 제안된 과다 손실(Excessiveness Loss, EL) 함수는 다른 가중치 손실 함수들과 함께 사용하여 오류 양성 예측(false-positive predictions)을 줄이고 경계선을 정화하는 데 도움을 줍니다. 설계된 피라미드-의미론적 모듈(Pyramid-Semantic Module, PSM)과 전역 가이딩 흐름(Global guiding flow, G)은 고차원적인 보완 정보를 얕은 층에 제공하여 예측의 정확도를 높입니다. 실험 결과는 제안된 모델이 세 가지 평가 지표 하에서 모든 벤치마크 데이터셋에서 최신 방법들을 능가함을 보여줍니다.