문서 둘러보기
VAAL
VAAL은 변분 오토인코더와 적대적 판별기를 사용해 레이블을 요청할 자료를 고르는 능동 학습 방법이다. 표기된 자료와 미표기 자료의 잠재 공간 분포를 활용한다.
손실 예측 능동 학습
손실 예측 능동 학습은 아직 레이블이 없는 입력에서 목표 모델이 낼 손실을 예측해 주석 대상을 고르는 방법이다. 목표 신경망에 작은 손실 예측 모듈을 붙여 함께 학습한다.
코어셋 기반 능동 학습
코어셋 기반 능동 학습은 선택한 자료로 학습한 모델이 나머지 자료에서도 좋은 결과를 내도록 레이블 요청 대상을 고르는 접근이다. 자료 점들의 기하 구조를 선택 기준에 활용한다.
BADGE 능동 학습
BADGE는 예측의 불확실성과 표본의 다양성을 함께 반영해 레이블을 요청할 배치를 고르는 능동 학습 알고리즘이다. 모델의 예측 레이블로 계산한 기울기 표현을 선택에 사용한다.
BAIT 능동 학습
BAIT는 피셔 정보를 기준으로 레이블을 요청할 표본 배치를 선택하는 신경망 능동 학습 알고리즘이다. 최우추정량 오차의 경계를 최적화하는 관점을 선택 목표에 활용한다.
CRAIG
CRAIG은 전체 자료의 기울기를 가깝게 추정하는 가중 부분 집합을 고르는 방법이다. 부분 모듈러 함수를 최대화해 학습 자료를 줄이고 점진적 기울기 학습의 효율을 높이려 한다.
PRISM 부분 집합 선택
PRISM은 원하는 자료에 집중하거나 다른 자료를 피하도록 부분 집합 선택을 조절하는 정보 척도 계열이다. 다양성과 대표성, 지정된 자료 집합과의 유사성을 매개변수로 조합한다.
GLISTER
GLISTER는 검증 집합에서의 일반화 성능을 기준으로 학습 자료의 부분 집합을 고르는 프레임워크다. 자료 선택과 모델 갱신을 함께 구성해 학습 효율과 잡음 및 불균형에 대한 강건성을 조사한다.
GRAD-MATCH
GRAD-MATCH는 전체 학습 집합이나 검증 집합의 기울기를 가깝게 맞추는 자료 부분 집합을 고르는 프레임워크다. 적은 자료로도 전체 자료에 가까운 일반화 성능을 얻는 방향을 다룬다.
RFAD
RFAD는 신경망 가우스 과정 커널을 무작위 특징으로 근사해 작은 합성 자료를 만드는 데이터셋 증류 방법이다. 커널 계산 부담을 줄이면서 학습에 쓸 수 있는 응축 집합을 구성한다.
데이터셋 양자화
데이터셋 양자화는 다양한 신경망 구조의 학습에 사용할 작은 자료 부분 집합을 구성하는 압축 프레임워크다. 자료의 다양성을 고려해 집합을 구간으로 나누고 각 구간에서 표본을 고른다.
CAFE 데이터 응축
CAFE는 실제 자료와 합성 자료의 특징을 여러 규모에서 맞추는 데이터 응축 방법이다. 원래 특징 분포와 합성 집합의 판별력을 함께 보존하는 방향으로 작은 학습 집합을 만든다.
DataDAM
DataDAM은 실제 자료와 합성 자료의 공간 주의 지도를 맞추는 데이터셋 증류 방법이다. 무작위 초기화한 신경망의 여러 층에서 얻은 주의 정보를 활용해 작은 합성 영상 집합을 학습한다.
SRe2L
SRe2L은 모델 학습과 합성 자료 최적화를 분리하는 데이터 응축 프레임워크다. 원 자료를 모델에 압축한 뒤 합성 자료를 복원하고 레이블을 다시 부여하는 세 단계로 구성된다.
DREAM 데이터 증류
DREAM은 대표성 있는 원본 영상을 골라 합성 자료와 맞추는 데이터셋 증류 전략이다. 비교 목표뿐 아니라 정합에 사용할 원본 예시의 선택을 개선해 증류 효율을 높이려 한다.
FRePo
FRePo는 신경 특징 회귀와 모델 풀을 활용하는 데이터셋 증류 방법이다. 작은 합성 자료를 최적화할 때 생기는 계산과 메모리 부담 및 과적합 문제를 다룬다.
KIP 데이터 메타 학습
KIP는 커널 릿지 회귀에 기반해 작은 학습 자료를 얻는 메타 학습 알고리즘이다. 원래 자료와 비슷한 모델 성능을 내는 훨씬 작은 자료를 구성하는 문제를 다룬다.
분포 정합 데이터 응축
분포 정합 데이터 응축은 원래 학습 영상과 합성 영상의 특징 분포를 맞춰 작은 합성 집합을 만드는 방법이다. 여러 표본 임베딩 공간에서 분포를 비교해 합성 비용을 줄이는 접근이다.
샴 증강 데이터 응축
샴 증강 데이터 응축은 실제 자료와 합성 자료에 같은 무작위 변환을 적용하며 합성 학습 집합을 만드는 방법이다. 미분 가능한 변환을 통해 증강을 거친 손실의 기울기가 합성 영상까지 전달되게 한다.
생성 사전 기반 데이터 증류
생성 사전 기반 데이터 증류는 사전 학습한 심층 생성 모델의 지식을 활용해 작은 합성 학습 집합을 만드는 방법이다. 생성 모델의 잠재 공간에서 중간 특징 벡터를 최적화하는 접근을 제시했다.
학습 궤적 정합 증류
학습 궤적 정합 증류는 실제 자료로 학습한 신경망의 상태를 여러 학습 단계에 걸쳐 따라가도록 작은 합성 자료를 최적화하는 방법이다. 한 단계의 기울기보다 긴 학습 과정의 결과를 맞춘다.
기울기 정합 데이터 응축
기울기 정합 데이터 응축은 원 자료와 합성 자료로 계산한 신경망 가중치 기울기를 맞추며 작은 학습 집합을 만드는 방법이다. 적은 합성 예시로 신경망을 처음부터 학습하는 목표를 다룬다.
데이터셋 증류
데이터셋 증류는 큰 학습 자료가 주는 학습 효과를 작은 합성 자료로 압축하려는 방법이다. 작은 자료로 학습한 모델이 원래 자료로 학습한 모델에 가까워지도록 합성 예시를 만든다.
Dataset Cartography
Dataset Cartography는 학습 중 모델의 행동으로 자료 집합의 특징을 지도처럼 나타내는 분석 방법이다. 예시별 정답 신뢰도와 에포크에 따른 변동을 활용해 자료를 진단한다.
학습 예시의 망각
학습 예시의 망각은 학습 중 올바르게 분류하던 예시를 이후 잘못 분류하게 되는 현상이다. 단일 분류 과제 안에서 예시별 학습 동역학을 살펴보는 분석 기준으로 연구됐다.
Data Diet
Data Diet는 학습 초기에 계산한 점수로 중요한 학습 예시를 찾는 연구다. 기울기 노름을 사용하는 GraNd와 오류의 L2 노름을 사용하는 EL2N을 제안했다.
데이터 가지치기와 스케일링
데이터 가지치기와 스케일링 연구는 학습 자료의 양뿐 아니라 남길 자료의 선택이 오류 감소 추세에 미치는 영향을 분석한다. 좋은 가지치기 지표를 조건으로 기존 거듭제곱 추세를 넘어설 가능성을 조사했다.
OpenDataVal
OpenDataVal은 데이터 가치 평가 알고리즘을 같은 환경에서 적용하고 비교하기 위한 통합 벤치마크 프레임워크다. 여러 유형의 자료와 평가 알고리즘, 예측 모델 인터페이스를 함께 제공한다.
Simfluence
Simfluence는 학습 예시의 영향을 학습 과정의 시뮬레이션으로 분석하는 접근이다. 주어진 순서로 예시를 학습했을 때 시험 예시의 손실이 단계마다 어떻게 바뀔지 예측한다.
TRAK
TRAK은 모델의 예측을 학습 자료의 기여와 연결하는 데이터 귀속 방법이다. 미분 가능한 대규모 모델에서 계산 비용을 줄이면서 학습 예시의 영향을 추정하는 구성을 제안한다.
Datamodels
Datamodels는 어떤 학습 예시를 사용했는지로 모델의 예측 결과를 추정하는 분석 프레임워크다. 학습 자료의 부분 집합과 특정 대상에 대한 모델 출력 사이의 관계를 함수로 표현한다.
리프리젠터 포인트
리프리젠터 포인트는 신경망의 특정 예측을 설명하기 위해 고르는 학습 예시다. 활성화 이전 예측값을 학습 예시들의 기여로 분해해 예측을 지지하거나 억제하는 자료를 살펴본다.
KNN 섀플리
KNN 섀플리는 최근접 이웃 모델에서 학습 자료의 상대적 기여를 섀플리 값으로 계산하는 접근이다. 모델의 구조를 활용해 일반적인 섀플리 계산보다 효율적으로 값을 얻는다.
분포 섀플리
분포 섀플리는 고정된 자료 집합을 넘어 기저 데이터 분포를 기준으로 개별 자료의 가치를 정의하는 방법이다. 집합 밖의 자료도 통계적 맥락에서 평가할 수 있도록 데이터 섀플리를 확장한다.
Data Banzhaf
Data Banzhaf는 학습 성능의 변동 속에서도 데이터 가치의 순위를 안정적으로 구분하려는 평가 방법이다. 협력 게임의 밴자프 값을 데이터 가치 평가에 사용한다.
Data-OOB
Data-OOB는 배깅 모델의 아웃오브배그 추정치를 활용해 학습 자료의 가치를 계산하는 방법이다. 이미 학습한 약한 학습기를 재사용해 대규모 자료 평가의 계산 부담을 줄인다.
DVRL
DVRL은 목표 과제의 검증 성능을 보상으로 삼아 학습 자료의 가치를 배우는 메타 학습 프레임워크다. 가치 추정기와 예측기를 함께 학습하며 어떤 자료를 사용할지 조절한다.
데이터 섀플리
데이터 섀플리는 학습 자료의 각 예시가 예측 성능에 기여하는 가치를 정량화하는 방법이다. 지도 학습의 데이터 가치 평가를 섀플리 값의 성질에 따라 구성한다.
TracIn
TracIn은 학습 중 특정 예시를 사용했을 때 시험 입력의 손실이 어떻게 변하는지 추적하는 영향 추정 방법이다. 기울기 근사와 저장된 체크포인트로 학습 예시의 기여를 계산한다.
영향 함수 기반 학습 자료 추적
영향 함수 기반 학습 자료 추적은 모델의 특정 예측과 관련된 학습 예시를 찾는 방법이다. 강건 통계의 영향 함수를 이용해 학습 알고리즘을 거슬러 자료의 영향을 근사한다.
LIME
LIME은 관심 있는 예측 주변에서 해석하기 쉬운 모델을 학습해 복잡한 분류기의 판단을 설명하는 방법이다. 전체 모델을 하나의 간단한 규칙으로 대체하기보다 특정 예측의 국소 동작을 살펴본다.
SHAP
SHAP은 개별 예측에 대해 입력 특징마다 중요도를 부여하는 설명 프레임워크다. 여러 설명 방식을 가산적인 특징 기여도라는 관점에서 연결한다.
SENN
SENN은 설명 가능성을 구조와 학습 정규화에 포함하는 자기 설명 신경망이다. 선형 모델의 해석 가능한 특징을 확장하면서 비슷한 입력에 일관된 설명을 주도록 설계한다.
개념 백색화
개념 백색화는 신경망의 잠재 공간을 정규화하고 상관을 줄이면서 축을 알려진 개념에 맞추는 방법이다. 사후에 특징을 해석하는 대신 표현 층 자체를 이해하기 쉬운 방향으로 바꾼다.
ProtoTree
ProtoTree는 학습 가능한 대표 부분을 결정 트리의 노드에 넣은 이미지 분류 방법이다. 이미지에서 해당 부분의 존재 여부에 따라 분기하며 하나의 예측을 트리 경로로 설명한다.
레이블 없는 개념 병목 모델
레이블 없는 개념 병목 모델은 개념별 정답 자료를 직접 수집하지 않고 신경망의 특징을 개념 표현으로 바꾸는 프레임워크다. 개념 집합과 투영 층, 희소한 최종 층을 학습한다.
ProtoPNet
ProtoPNet은 영상의 부분과 학습한 대표 부분의 유사성을 근거로 분류하는 신경망이다. 여러 원형 부분에서 얻은 증거를 모아 최종 범주를 예측한다.
개념 병목 모델
개념 병목 모델은 입력에서 사람이 이해할 수 있는 개념을 먼저 예측한 뒤 그 개념으로 최종 레이블을 구하는 구조다. 예측한 개념 값을 수정해 최종 결과의 변화를 살펴볼 수 있다.
ACE 개념 설명
ACE 개념 설명은 여러 이미지의 관련된 부분을 모아 시각적 개념을 자동으로 추출하는 방법이다. 개별 입력의 특징 중요도를 넘어 데이터셋의 범주를 설명할 개념과 그 중요도를 찾는다.
TCAV
TCAV는 사람이 정한 개념이 신경망의 분류 결과에 얼마나 중요한지 정량적으로 살펴보는 방법이다. 내부 표현의 개념 방향과 방향 미분을 이용해 예측의 민감도를 측정한다.
ROAR 설명 평가
ROAR 설명 평가는 중요하다고 추정한 입력 특징을 제거한 뒤 모델을 다시 학습해 설명의 유용성을 비교하는 방법이다. 특징 제거의 효과와 입력 분포 변화의 영향을 구분하려 한다.
현저성 지도의 무작위화 검사
현저성 지도의 무작위화 검사는 시각적 설명이 학습한 모델과 자료에 의존하는지 살펴보는 방법이다. 지도가 보기 좋은지보다 매개변수와 레이블 관계의 변화에 반응하는지를 비교한다.
SmoothGrad
SmoothGrad는 입력에 잡음을 더해 얻은 여러 민감도 지도를 평균하는 설명 방법이다. 기울기 기반 지도의 시각적인 잡음을 줄이고 예측에 관련된 영역을 더 선명하게 살펴보도록 한다.
적분 기울기
적분 기울기는 기준 입력에서 실제 입력까지의 경로에서 기울기를 누적해 특징별 기여도를 구하는 방법이다. 민감성과 구현 불변성이라는 원칙을 바탕으로 신경망의 예측을 입력 특징에 배분한다.
Grad-CAM
Grad-CAM은 목표 개념의 기울기로 신경망 예측에 중요한 영상 영역을 시각화하는 방법이다. 마지막 합성곱 층으로 흐르는 기울기를 이용해 거친 위치 지도를 만든다.
Score-CAM
Score-CAM은 활성화 지도의 순전파 점수로 가중치를 구하는 시각적 설명 방법이다. 기울기 대신 목표 범주의 점수를 활용해 여러 지도를 결합한다.
클래스 활성화 지도
클래스 활성화 지도는 신경망이 특정 범주를 판별할 때 활용하는 영상 영역을 나타낸다. 원래 CAM 방식은 전역 평균 풀링과 분류 가중치를 이용해 마지막 합성곱 특징을 공간 지도로 결합한다.
비판별 특징 활성화 지도
비판별 특징 활성화 지도는 분류에 특히 유용한 일부만이 아니라 객체의 다양한 국소 특징을 반영하는 지도 생성 방법이다. 지역 원형 표현과의 유사도를 모아 객체 영역을 넓게 나타낸다.
FickleNet
FickleNet은 특징 지도의 은닉 유닛을 무작위로 선택해 다양한 객체 위치 지도를 얻는 분할 방법이다. 하나의 신경망에서 여러 위치 조합을 탐색해 판별력이 낮은 객체 부분까지 찾으려 한다.
PPC 약한 감독 분할
PPC 약한 감독 분할은 픽셀과 원형 표현의 대조로 분할 학습의 감독 신호를 보완하는 방법이다. 서로 다른 영상 변환 사이의 일관성과 범주별 특징의 모임을 함께 학습한다.
RCA 약한 감독 분할
RCA 약한 감독 분할은 영역 기억 저장소를 이용해 데이터셋의 다양한 객체 표현을 대조하고 모으는 방법이다. 이미지 하나나 한 쌍을 넘어 학습 자료 전반의 의미 문맥을 활용한다.
하위 범주 탐색 분할
하위 범주 탐색 분할은 이미지 특징을 군집화해 범주 내부의 의사 하위 범주를 학습하는 방법이다. 분류기가 객체의 쉬운 일부에만 집중하지 않도록 더 어려운 자기 감독 과제를 추가한다.
SSDD 약한 감독 분할
SSDD 약한 감독 분할은 마스크 변환 전후의 차이를 예측해 잡음을 추정하는 방법이다. 시각화 지도를 의미 분할로 바꾸는 과정에서 잘못된 결과가 누적되는 문제를 다룬다.
CIAN
CIAN은 서로 다른 이미지의 관련 영역 사이에서 정보를 전달하는 약한 감독 의미 분할 방법이다. 이미지 수준 범주 레이블만으로 픽셀 수준의 이미지 간 친화도를 학습한다.
CONTA
CONTA는 객체와 자주 함께 나타나는 문맥이 이미지 분류에 주는 편향을 조정하는 약한 감독 분할 방법이다. 구조적 인과 모형을 바탕으로 더 분명한 의사 마스크를 생성하려 한다.
EPS 약한 감독 분할
EPS 약한 감독 분할은 이미지 범주 레이블의 위치 정보와 현저성 지도의 경계 정보를 결합하는 방법이다. 객체 일부만 표시되거나 함께 나타나는 배경까지 포함되는 의사 마스크의 문제를 다룬다.
RIB 약한 감독 분할
RIB 약한 감독 분할은 분류기의 정보 병목을 줄여 객체의 더 넓은 영역을 찾는 방법이다. 마지막 활성화 함수를 제거하고 풀링을 조정해 덜 판별적인 영역의 정보도 활용하려 한다.
CLIP-ES
CLIP-ES는 CLIP에서 의사 마스크를 얻고 이를 이용해 최종 분할 모델을 학습하는 약한 감독 프레임워크다. 위치 지도 생성, 지도 정제, 분할 학습을 각각 CLIP의 특성에 맞춰 구성한다.
CLIMS
CLIMS는 CLIP 기반의 언어·영상 대응으로 약한 감독 의미 분할을 학습하는 방법이다. 객체 영역은 넓게 활성화하고 함께 나타나는 배경의 잘못된 활성화는 줄이도록 자연어 정보를 활용한다.
ToCo
ToCo는 패치 토큰과 범주 토큰의 대조 학습으로 약한 감독 의미 분할을 개선하는 방법이다. 비전 트랜스포머의 마지막 토큰이 서로 비슷해지는 과도한 평활화와 불확실한 영역을 다룬다.
AFA 약한 감독 분할
AFA 약한 감독 분할은 트랜스포머의 어텐션에서 의미 친화도를 학습해 의사 레이블을 정제하는 방법이다. 이미지 수준 레이블만 사용하는 종단간 분할에서 전역 정보와 국소 일관성을 함께 다룬다.
MCTformer
MCTformer는 여러 범주 토큰을 이용해 범주별 객체 위치 지도를 만드는 트랜스포머다. 범주 토큰과 패치 토큰의 어텐션에서 약한 감독 의미 분할용 의사 레이블을 얻는다.
ReCAM
ReCAM은 이진 교차 엔트로피로 학습한 클래스 활성화 지도를 소프트맥스 교차 엔트로피로 다시 활성화하는 방법이다. 여러 범주의 픽셀 반응이 섞이면서 생기는 의사 마스크의 모호함을 줄이려 한다.
AdvCAM 분할
AdvCAM 분할은 분류 점수를 높이는 방향으로 영상을 조정해 객체의 더 넓은 영역을 찾는 방법이다. 분류기의 기여도 지도가 객체의 구별하기 쉬운 일부에 집중하는 문제를 다룬다.
Puzzle-CAM
Puzzle-CAM은 이미지의 부분 패치와 전체 이미지에서 얻은 특징의 차이를 줄이는 약한 감독 분할 방법이다. 클래스 활성화 지도가 객체의 구별하기 쉬운 일부에만 집중하는 문제를 다룬다.
SEAM
SEAM은 이미지를 변환했을 때 클래스 활성화 지도도 일관되게 변하도록 학습하는 약한 감독 의미 분할 방법이다. 변환에 대한 정규화와 이웃 픽셀의 관계로 활성화 지도를 보완한다.
AffinityNet
AffinityNet은 인접한 이미지 위치 사이의 의미 친화도를 예측하는 신경망이다. 이미지 수준 범주 레이블만으로 얻은 국소 반응을 주변 영역에 전파해 의미 분할 학습용 레이블을 만든다.
IRNet 약한 감독 분할
IRNet 약한 감독 분할은 픽셀 사이의 관계를 이용해 개별 객체의 의사 분할 레이블을 만드는 방법이다. 이미지 수준의 범주 정보와 분류 모델의 어텐션에서 영역과 경계의 단서를 얻는다.
ScribbleSup
ScribbleSup는 이미지에 그린 간단한 선 주석으로 의미 분할 신경망을 학습하는 방법이다. 표시한 픽셀의 정보를 표시하지 않은 영역으로 전파하면서 신경망을 함께 학습한다.
SEC 약한 감독 분할
SEC 약한 감독 분할은 약한 위치 단서로 시작해 객체 영역을 확장하고 경계에 맞추는 손실 설계다. 세 원리를 결합해 픽셀 단위의 정답 없이 의미 분할을 학습하는 문제를 다룬다.
Box2Mask
Box2Mask는 경계 상자만으로 인스턴스 분할을 학습하기 위해 레벨 집합의 진화를 신경망에 결합한 방법이다. 상자 내부에서 에너지를 줄이는 과정을 통해 마스크를 반복적으로 개선한다.
BoxTeacher
BoxTeacher는 교사 모델이 만든 마스크를 의사 레이블로 사용하는 약한 감독 인스턴스 분할 방법이다. 마스크의 품질을 추정하고 잡음의 영향을 조절해 학생 모델을 학습한다.
BoxInst
BoxInst는 픽셀 마스크 없이 경계 상자 주석만으로 인스턴스 마스크를 학습하는 방법이다. 분할 신경망 구조를 바꾸는 대신 투영과 픽셀 관계를 이용하는 손실을 설계했다.
BoxSup
BoxSup는 경계 상자를 감독 정보로 이용해 의미 분할 신경망을 학습하는 방법이다. 영역 제안을 생성하는 과정과 신경망 학습을 반복하며 분할 마스크를 점차 개선한다.
BlendMask
BlendMask는 개별 객체의 정보와 세밀한 저수준 의미 정보를 결합하는 인스턴스 분할 방법이다. 상향식과 하향식 접근을 함께 활용하는 블렌더 모듈로 마스크를 예측한다.
PolarMask
PolarMask는 객체 중심의 분류와 극좌표에서의 거리 회귀로 인스턴스 마스크를 예측하는 방법이다. 앵커 상자 없이 단일 단계의 완전 합성곱 구조로 분할을 수행한다.
TensorMask
TensorMask는 밀집 인스턴스 분할의 공간 구조를 4차원 텐서로 표현하는 프레임워크다. 이미지의 각 위치에서 예측하는 마스크에도 별도의 공간 차원이 있다는 점을 명시적으로 다룬다.
YOLACT
YOLACT는 공통 원형 마스크와 객체별 계수를 결합해 인스턴스 마스크를 만드는 완전 합성곱 모델이다. 마스크 생성 작업을 두 병렬 과제로 나누어 실시간 분할을 지향한다.
CondInst
CondInst는 객체마다 달라지는 조건부 합성곱으로 인스턴스 마스크를 예측하는 프레임워크다. 고정된 가중치에 객체별 영역을 입력하는 대신 객체에 조건을 둔 동적 마스크 신경망을 사용한다.
SOLO 인스턴스 분할
SOLO 인스턴스 분할은 객체의 위치와 크기에 따라 픽셀을 구분하는 방식으로 개별 객체의 마스크를 예측한다. 인스턴스 마스크 분할을 두 가지 분류 과제로 표현한 프레임워크다.
DSC 인스턴스 분할
DSC 인스턴스 분할은 이전 단계의 마스크 형태 정보를 현재 단계의 객체 검출에 활용하는 다단계 프레임워크다. 상자가 분할을 돕는 방향에 더해 분할도 상자 추정을 돕도록 연결한다.
PointRend
PointRend는 필요한 위치를 적응적으로 골라 점 단위 분할을 정밀하게 예측하는 신경망 모듈이다. 이미지 분할을 렌더링 문제로 바라보며 객체 경계의 세부 표현과 계산 효율을 함께 다룬다.
Hybrid Task Cascade
Hybrid Task Cascade는 객체 검출과 인스턴스 분할을 여러 단계에서 엮어 처리하는 프레임워크다. 두 과제의 보완 관계와 장면의 공간 문맥을 함께 활용한다.
Mask Scoring R-CNN
Mask Scoring R-CNN은 예측한 인스턴스 마스크의 품질을 따로 학습하는 분할 방법이다. 객체 분류 신뢰도만으로 마스크 점수를 정하지 않고 예측 마스크와 정답의 IoU를 추정한다.
FoveaBox
FoveaBox는 앵커를 기준으로 삼지 않고 객체의 존재 가능성과 경계 상자 좌표를 직접 학습하는 검출 프레임워크다. 범주별 의미 지도와 범주에 무관한 위치 예측을 함께 사용한다.
RepPoints
RepPoints는 객체를 대표하는 여러 표본점으로 위치와 특징을 표현하는 객체 검출 방법이다. 점들이 객체의 공간 범위와 의미 있는 부분을 나타내도록 학습한다.
CenterNet 세 점 검출
CenterNet 세 점 검출은 두 모서리와 중심 영역의 정보를 이용해 객체를 찾는 방법이다. CornerNet을 바탕으로 핵심점 쌍을 세 점 구성으로 확장해 잘못된 상자를 줄이려 한다.
CenterNet 중심점 검출
CenterNet 중심점 검출은 객체를 경계 상자의 중심점 하나로 표현하는 검출 방법이다. 중심을 찾은 뒤 크기와 방향 같은 속성을 회귀하며, Objects as Points 연구에서 제시했다.
CornerNet
CornerNet은 객체 경계 상자를 왼쪽 위와 오른쪽 아래 모서리의 쌍으로 찾는 검출 방법이다. 하나의 합성곱 신경망으로 핵심점을 예측하고 모서리 풀링으로 위치 추정을 돕는다.
FCOS
FCOS는 픽셀별 예측 방식으로 객체를 찾는 완전 합성곱 단일 단계 검출기다. 미리 정한 앵커 상자와 별도의 영역 제안 없이 객체 분류와 위치를 예측한다.