학습 예시의 정의
객체 검출에서는 어떤 예측 위치를 객체에 대응하는 양성으로 삼고 어떤 위치를 음성으로 삼을지 결정해야 한다. 이런 선택은 분류와 경계 상자 회귀의 학습에 영향을 준다.
앵커 사용 방식의 비교
연구는 상자에서 회귀하는 앵커 기반 검출과 점에서 회귀하는 앵커 없는 검출을 비교했다. 양성과 음성의 정의를 같게 하면 성능 차이가 뚜렷하지 않다는 실험 결과를 제시했다.
통계에 따른 선택
ATSS는 객체의 통계적 특성을 이용해 양성과 음성 예시를 자동으로 나눈다. 검출기의 표현 방식만 바꾸기보다 학습 표본 선택의 차이를 조정하는 접근이다.
설계 요소의 재검토
MS COCO에서 두 계열의 검출기를 평가하고 한 위치에 여러 앵커를 배치할 필요성도 조사했다. 표본 선택과 앵커 구성의 영향을 구분해 검출기를 분석한 연구다.
관련 문서
PAA 객체 검출 / Focal Loss / Generalized Focal Loss / GIoU / DIoU / LVIS