방향성 미소 객체 탐지를 위한 동적 거친에서 세밀한 학습

임의의 방향을 가진 미소 객체를 탐지하는 것은 기존 탐지기에게 큰 도전 과제를 안기며, 특히 레이블 할당 측면에서 그러하다. 최근 방향성 객체 탐지기에서 적응형 레이블 할당에 대한 탐색이 이루어졌지만, 방향성 미소 객체의 극단적인 기하학적 형태와 제한된 특징 정보는 여전히 심각한 불일치 및 불균형 문제를 야기한다. 구체적으로, 위치 사전 지식(positiion prior), 긍정 샘플의 특징, 그리고 개체(instance) 간의 불일치가 발생하며, 적절한 특징 지도가 부족함으로 인해 극단적인 형태를 가진 객체의 학습이 편향되고 불균형하게 진행된다. 이러한 문제를 해결하기 위해, 우리는 '계층적 추정-정교화 할당기'(coarse-to-fine assigner)와 함께 동적 사전 지식(dynamic prior)을 제안하며, 이를 DCFL(Dynamic Prior with Coarse-to-Fine Label assigner)이라 명명한다. 첫째, 사전 지식, 레이블 할당, 객체 표현을 모두 동적으로 모델링함으로써 불일치 문제를 완화한다. 둘째, 거친 사전 매칭과 더 정교한 사후 제약 조건을 활용하여 레이블을 동적으로 할당함으로써 다양한 개체에 대해 적절하고 비교적 균형 잡힌 지도를 제공한다. 6개의 데이터셋에서 실시한 광범위한 실험 결과, 기준 모델 대비 상당한 성능 향상을 확인할 수 있었다. 특히 단일 스케일 학습 및 테스트 환경에서 DOTA-v1.5, DOTA-v2.0, DIOR-R 데이터셋에서 일단계 탐지기 중 최고 성능을 달성하였다. 코드는 https://github.com/Chasel-Tsui/mmrotate-dcfl 에서 제공된다.