Core Concepts
본 논문은 두 단계 인스턴스 분할 모델의 주요 문제점인 IoU 분포 불균형과 특징 수준 불균형을 해결하기 위한 새로운 아키텍처인 자기 균형 R-CNN(SBR-CNN)을 제안한다.
Abstract
본 논문은 두 단계 인스턴스 분할 모델의 주요 문제점인 IoU 분포 불균형과 특징 수준 불균형을 해결하기 위한 새로운 아키텍처인 자기 균형 R-CNN(SBR-CNN)을 제안한다.
IoU 분포 불균형 문제는 RPN에서 생성된 긍정적인 RoI 제안들의 IoU 분포가 균형이 맞지 않는 것이다. 이를 해결하기 위해 논문에서는 R3-CNN이라는 새로운 모델을 제안한다. R3-CNN은 탐지 헤드와 RoI 추출기 사이에 단일 및 이중 헤드 루프 아키텍처를 도입하고, 분할 헤드 자체에 대한 새로운 내부 루프를 포함한다.
특징 수준 불균형 문제는 FPN에서 추출된 특징들이 저수준과 고수준 특징 간에 균형이 맞지 않는 것이다. 이를 해결하기 위해 논문에서는 개선된 GRoIE 모델을 제안한다. GRoIE는 FPN의 모든 레이어를 고려하여 적절히 통합함으로써 다중 스케일 정보를 효과적으로 활용한다.
또한 논문에서는 완전 합성곱 채널(FCC) 헤드 아키텍처를 제안하여 네트워크 크기를 줄이고, 작업과 사용 레이어 간의 연관성을 높였다.
이러한 세 가지 주요 기여를 통해 제안된 SBR-CNN 모델은 기존 최신 모델들과 비교해서 성능 향상을 보였다.
Stats
RPN에서 생성된 RoI 제안들의 IoU 분포가 지수적으로 감소하는 문제가 있다.
FPN 레이어들 간 저수준 및 고수준 특징의 통합이 균형이 맞지 않는 문제가 있다.
Quotes
"현재 최신 두 단계 모델들은 여러 가지 불균형 문제들을 겪고 있다."
"이러한 문제들은 아직 해결되지 않았으며, 이러한 아키텍처들의 여러 블록들이 여전히 충분히 탐구되지 않고 최적화되지 않은 상태이다."