알 수 없는 객체 감지기: 알 수 없는 객체에 눈을 감지 마십시오

최근 제안된 오픈 월드 객체 검출 및 오픈 세트 검출은 이전에 본 적 없는 객체를 찾고 알려진 객체와 구분하는 데 획기적인 성과를 거두었습니다. 그러나 알려진 클래스에서 알려지지 않은 클래스로의 지식 전달에 대한 연구가 충분하지 않아 배경에 숨겨져 있는 알려지지 않은 객체를 감지하는 능력이 부족합니다. 본 논문에서는 알려진 객체뿐만 아니라 알려지지 않은 객체도 찾을 수 있는 '알려지지 않은 객체 탐지기' (Unknown Sniffer, UnSniffer)를 제안합니다. 첫째, 일반화된 객체 신뢰도 (Generalized Object Confidence, GOC) 점수를 도입하여, 알려진 샘플만을 사용해 감독을 수행하고 배경에서 알려지지 않은 객체의 부적절한 억제를 피합니다. 특히, 알려진 객체로부터 학습된 이러한 신뢰도 점수는 알려지지 않은 객체에도 일반화될 수 있습니다. 둘째, 배경의 비객체 샘플을 더욱 억제하기 위해 부에너지 억제 손실 (negative energy suppression loss)을 제안합니다. 셋째, 추론 과정에서 각각의 알려지지 않은 객체에 대한 최적의 박스를 얻기가 어려운데, 이는 훈련 과정에서 그들의 의미 정보가 부족하기 때문입니다. 이를 해결하기 위해, 수작업으로 설계된 비최대 억제 (Non-Maximum Suppression, NMS) 후처리 단계를 대체할 그래프 기반 결정 방안을 소개합니다. 마지막으로, 알려진 바로는 처음으로 공개적으로 제공되는 '알려지지 않은 객체 검출 벤치마크' (Unknown Object Detection Benchmark)를 제시합니다. 실험 결과 본 방법론이 기존 최신 방법론들보다 훨씬 우수함을 보여주었습니다.