Edge-based Reversible Re-calibration Network을 이용한 빠른 위장 객체 검출

위장 객체 검출(COD)은 주변 환경과 유사한 패턴(예: 질감, 강도, 색상 등)을 가진 객체를 감지하는 것을 목표로 하며, 최근 연구 관심이 증가하고 있습니다. 위장 객체는 종종 매우 모호한 경계를 나타내므로, 객체 위치와 그 약한 경계를 결정하는 것이 도전적이고 이 작업의 핵심입니다. 인간 관찰자가 위장 객체를 발견할 때의 생물학적 시각 인식 과정에서 영감을 얻어, 본 논문에서는 새로운 엣지 기반 가역 재교정 네트워크인 ERRNet을 제안합니다. 우리의 모델은 시각 인식 행동을 모델링하고 잠재적인 위장 영역과 배경 간의 효과적인 엣지 사전 정보 및 교차 비교를 달성하기 위해 Selective Edge Aggregation(SEA)와 Reversible Re-calibration Unit(RRU)라는 두 가지 혁신적인 설계 특성을 가지고 있습니다. 더욱 중요한 점은 RRU가 기존 COD 모델에 비해 더 포괄적인 정보를 포함하는 다양한 사전 정보를 통합한다는 것입니다. 실험 결과 ERRNet은 세 개의 COD 데이터셋과 다섯 개의 의료 이미지 분할 데이터셋에서 기존 최첨단 베이스라인들을 능가하는 것으로 나타났습니다. 특히, 기존 1위 모델인 SINet과 비교하여 ERRNet은 평균 E-측정값으로 약 6% 향상된 성능을 보여주며, 높은 속도(79.3 FPS)를 유지함으로써 COD 작업에 대한 일반적이고 견고한 해결책임을 입증하였습니다.