예시 유도형 클래스 무관 카운팅을 위한 스케일 우선 변형형 합성곱

클래스 무관 카운팅은 최근 더 실용적인 카운팅 작업으로 부상하고 있으며, 보행자나 차량과 같은 특정 카테고리를 세는 대신, 어떤 예시 객체든 그 수와 분포를 예측하는 것을 목표로 한다. 그러나 기존의 방법들은 예시 객체와 쿼리 이미지 간의 적절한 유사도 매칭 규칙을 설계하는 데 집중하지만, 추출된 특징의 견고성은 간과하고 있다. 이 문제를 해결하기 위해 우리는 예시 객체의 정보(예: 크기)를 통합하여 스케일 우선(deformable convolution) 기반의 카운팅 네트워크 백본을 제안한다. 이를 통해 제안된 카운팅 네트워크는 주어진 예시 객체와 유사한 객체의 의미적 특징을 효과적으로 추출할 수 있으며, 관련 없는 배경을 효과적으로 필터링할 수 있다. 또한, 다양한 샘플에서 객체의 크기 다양성으로 인해 기존의 L2 손실 및 일반화된 손실이 클래스 무관 카운팅에 적합하지 않음을 발견하였다. 이를 해결하기 위해 우리는 예시 객체에 따라 비용 함수의 구성 방식을 조정할 수 있는 스케일 민감한 일반화된 손실을 제안한다. 이 손실은 예측값과 정답 간의 차이를 더욱 부각시켜 학습 효율을 향상시킨다. 광범위한 실험을 통해 제안한 모델이 공개된 클래스 무관 카운팅 벤치마크에서 뛰어난 성능 향상을 보이며 최신 기술 수준(SOTA)을 달성함을 확인하였다. 소스 코드는 다음 링크에서 확인할 수 있다: https://github.com/Elin24/SPDCN-CAC.