BASNet: 경계 인지형 주목할 만한 객체 탐지

심층 컨볼루셔널 신경망은 주목할 만한 객체 탐지에 널리 채택되어 최첨단 성능을 달성해왔다. 그러나 기존의 대부분의 연구들은 영역 정확도에 초점을 맞추고 있으며, 경계 품질에 대한 고려는 부족한 실정이다. 본 논문에서는 경계 인식형 주목할 만한 객체 탐지를 위한 새로운 예측-개선 아키텍처인 BASNet과 새로운 하이브리드 손실 함수를 제안한다. 구체적으로, 본 아키텍처는 밀집된 감독을 제공하는 인코더-디코더 네트워크와 잔차 보정 모듈로 구성되며, 각각 주목성 예측과 주목성 맵 보정을 담당한다. 제안하는 하이브리드 손실 함수는 이진 교차 엔트로피(BCE), 구조적 유사도(SSIM), 그리고 교차 면적 비율(IoU) 손실을 융합함으로써 입력 이미지와 정답 마스크 간의 변환을 픽셀, 패치, 맵의 세 단계 계층 구조에서 학습하도록 유도한다. 이러한 하이브리드 손실 함수를 갖춘 예측-개선 아키텍처는 주목할 만한 객체 영역을 효과적으로 분할하고, 선명한 경계를 가진 정밀한 구조를 정확히 예측할 수 있다. 공개된 6개 데이터셋에서 수행한 실험 결과에 따르면, 본 방법은 영역 및 경계 평가 지표 모두에서 기존 최첨단 기법들을 능가함을 확인하였다. 또한 단일 GPU에서 25 fps 이상의 실시간 처리 속도를 제공하며, 소스 코드는 다음과 같은 주소에서 공개되어 있다: https://github.com/NathanUA/BASNet.