전역적으로 탐지하고 국지적으로 개선하기: 주목성 탐지의 새로운 접근법

맥락 정보의 효과적인 통합은 두드러진 객체 탐지에 있어 핵심적인 요소이다. 이를 달성하기 위해 기존의 '스킵( skip)' 아키텍처를 기반으로 한 대부분의 방법들은 컨볼루션 신경망(CNN)의 계층적 특징을 어떻게 통합할지에 주로 초점을 맞추고 있다. 이러한 방법들은 고수준의 의미 정보와 저수준의 세부 정보를 단순히 연결하거나 원소별 연산을 통해 통합한다. 그러나 이러한 방식은 정보의 혼잡성과 노이즈가 함께 전파될 수 있어 예측 품질을 저하시킬 수 있다. 이 문제를 해결하기 위해, 우리는 전역적인 반복적 위치 지정 네트워크(Global Recurrent Localization Network, RLN)를 제안한다. 이 네트워크는 가중치 반응 맵(Weighted Response Map)을 활용하여 맥락 정보를 효과적으로 활용함으로써, 두드러진 객체의 위치를 더욱 정확하게 파악할 수 있도록 한다. 특히, 반복 모듈(Recurrent Module)을 도입하여 다수의 시간 단계에 걸쳐 CNN 내부 구조를 점진적으로 정교화한다. 또한 객체 경계를 효과적으로 복원하기 위해, 각 공간 위치에 대해 국소적인 맥락 정보를 적응적으로 학습하는 국소 경계 정밀화 네트워크(Local Boundary Refinement Network, BRN)를 제안한다. 학습된 전파 계수는 각 픽셀과 그 이웃 간의 관계를 최적의 방식으로 포착하는 데 사용될 수 있다. 다섯 개의 도전적인 데이터셋에서 수행한 실험 결과, 제안하는 방법은 기존의 모든 기법들과 비교하여 대표적인 평가 지표에서 유리한 성능을 보였다.