RFLA: 미소 객체 검출을 위한 가우시안 수용장 기반 레이블 할당

작은 물체 탐지는 객체 탐지 기술의 발전을 방해하는 주요 과제 중 하나이다. 일반적인 객체 탐지기의 성능은 작은 물체 탐지 작업에서 급격히 저하되는 경향이 있다. 본 논문에서는 앵커 기반 탐지기에서의 박스 프리어(박스 사전) 또는 앵커리스 탐지기에서의 포인트 프리어(포인트 사전)가 작은 물체에 대해 최적의 선택이 아님을 지적한다. 우리의 주요 관찰은 현재의 앵커 기반 또는 앵커리스 레이블 할당 방식이 작은 크기의 참값(ground truth) 샘플을 다수의 이상치(outlier)로 포함하게 되어, 탐지기가 작은 물체에 대한 주의를 충분히 기울이지 못하게 된다는 점이다. 이를 해결하기 위해, 작은 물체 탐지에 적합한 가우시안 수용장(Gaussian Receptive Field) 기반의 레이블 할당(RFLA) 전략을 제안한다. 구체적으로, RFLA는 특징 수용장이 가우시안 분포를 따른다는 사전 지식을 활용한다. 이후 IoU 기반 또는 중심 샘플링 전략 대신, 가우시안 수용장과 참값 간의 유사도를 직접 측정하는 새로운 수용장 거리(RFD, Receptive Field Distance)를 제안한다. IoU 기반 임계값 전략과 중심 샘플링 전략이 큰 물체에 치우쳐 있다는 점을 고려하여, RFD 기반으로 균형 잡힌 학습을 달성하기 위해 계층적 레이블 할당(HLA) 모듈을 추가로 설계하였다. 네 가지 데이터셋에서 실시한 광범위한 실험을 통해 제안된 방법의 효과성을 입증하였다. 특히, AI-TOD 데이터셋에서 최신 기술 대비 4.0 AP 포인트의 성능 향상을 달성하였다. 코드는 https://github.com/Chasel-Tsui/mmdet-rfla 에서 공개되어 있다.