초록
우리는 소수 샘플을 기반으로 한 객체 카운팅 및 탐지의 새로운 과제를 다룹니다. 대상 객체 클래스의 몇 개의 예시 경계 상자만 주어진 상태에서, 우리는 해당 클래스의 모든 객체를 카운팅하고 탐지하려고 합니다. 이 과제는 소수 샘플 객체 카운팅과 동일한 감독을 공유하지만, 총 객체 수와 함께 객체 경계 상자를 추가로 출력합니다. 이러한 어려운 문제를 해결하기 위해, 우리는 새로운 두 단계 학습 전략과 새로운 불확실성 인식 소수 샘플 객체 탐지기인 Counting-DETR을 소개합니다. 전자는 후자를 학습시키기 위한 가상의 정답 경계 상자를 생성하는 것을 목표로 합니다. 후자는 전자가 제공하는 가상의 정답을 활용하지만, 가상 정답의 부정확성을 고려하기 위한 필요한 단계를 취합니다. 우리의 방법이 새로운 과제에서 얼마나 효과적인지를 검증하기 위해, FSCD-147과 FSCD-LVIS라는 두 개의 새로운 데이터셋을 소개합니다. 이 두 데이터셋은 복잡한 장면, 이미지당 여러 객체 클래스, 그리고 객체 형태, 크기, 외관에 큰 변동성을 포함하고 있습니다. 제안된 접근 방식은 소수 샘플 객체 카운팅과 소수 샘플 객체 탐지에서 유래된 매우 강력한 베이스라인들을 카운팅 및 탐지 지표 모두에서 크게 능가합니다. 코드와 모델은 https://github.com/VinAIResearch/Counting-DETR에서 확인할 수 있습니다.