초록
최근의 딥러닝 기반 주목할 만한 객체 탐지 방법들은 전결합 신경망(FCN)을 기반으로 우수한 성능을 달성하고 있다. 그러나 대부분의 방법들은 경계 문제에 취약하다는 한계를 가지고 있다. 최신 기술들은 특징 집약 기법을 활용하여 주목할 만한 객체의 위치를 정확히 파악할 수는 있으나, 특히 얇은 스트라이프 형태의 객체와 같이 미세한 경계를 가진 객체를 정확히 전체적으로 분할하는 데는 여전히 어려움을 겪는다. 따라서 FCN 기반 모델의 성능 향상 여지는 여전히 크다. 본 논문에서는 객체의 구조를 더 효과적으로 탐색하기 위해 주의 집중 피드백 모듈(Attentive Feedback Modules, AFMs)을 설계하였다. 또한 미세한 경계를 학습하기 위해 경계 강화 손실(Boundary-Enhanced Loss, BEL)을 추가로 도입하였다. 제안하는 깊이 신경망은 객체 경계에서 만족스러운 결과를 도출하며, 널리 사용되는 다섯 가지 주목할 만한 객체 탐지 벤치마크에서 최신 기술 수준의 성능을 달성하였다. 이 네트워크는 전결합 형태로 구성되어 26 FPS의 빠른 속도로 실행되며, 별도의 후처리 과정 없이도 정확한 결과를 제공한다.