초록
항공 이미지에서 객체를 탐지하는 것은 일반적으로 고해상도 이미지 내에 비균일하게 분포한 밀집된 소형 객체로 구성되어 있어 도전적인 과제이다. 밀도 자르기(density cropping)는 이러한 소형 객체 탐지 성능을 향상시키기 위해 널리 사용되는 방법으로, 밀집된 소형 객체 영역을 추출하여 고해상도로 처리한다. 그러나 이 방법은 일반적으로 기존 탐지 프로세스에 추가적인 학습 가능한 모듈을 도입함으로써 학습 및 추론 과정을 복잡하게 만든다. 본 논문에서는 탐지기 자체를 밀도 지도 기반의 학습 및 추론에 재사용하는 효율적인 계단식 줌인(Cascaded Zoom-in, CZ) 탐지기를 제안한다. 학습 과정에서는 밀도 자르기 영역을 식별하고 새로운 클래스로 레이블링하여 학습 데이터셋을 증강한다. 추론 과정에서는 먼저 기존 클래스 객체와 함께 밀도 자르기 영역을 탐지한 후, 두 번째 단계의 추론에 입력한다. 이 방법은 어떠한 탐지기에도 쉽게 통합 가능하며, 항공 이미지 탐지에서 널리 사용되는 균일 자르기(uniform cropping) 방식과 마찬가지로 표준 탐지 프로세스에 큰 변화를 주지 않는다. 어려운 VisDrone 및 DOTA 데이터셋의 항공 이미지에 대한 실험 결과를 통해 제안된 방법의 효과를 입증하였다. 제안된 CZ 탐지기는 VisDrone 데이터셋에서 균일 자르기 및 기타 밀도 자르기 방법보다 최신 기술 수준의 성능을 달성하였으며, 소형 객체의 탐지 mAP를 3점 이상 향상시켰다.