변화하는 영역 후보
검출기가 학습되면서 영역 후보의 분포도 달라진다. 처음부터 끝까지 같은 표본 할당 기준과 회귀 손실을 사용하면 이러한 변화를 충분히 반영하지 못할 수 있다.
양성 기준의 조정
Dynamic R-CNN은 영역 후보의 통계를 이용해 양성과 음성을 나누는 IoU 임계값을 자동으로 조정한다. 학습 상태에 맞는 표본을 활용하도록 구성한 것이다.
회귀 손실의 조정
같은 통계적 관점을 회귀 학습에도 적용한다. Smooth L1 손실의 매개변수를 바꾸어 학습 중 손실의 형태가 후보 분포에 적응하도록 한다.
위치 품질의 평가
MS COCO에서 ResNet-50과 FPN을 사용한 기준 검출기와 비교했다. 전체 평균 정밀도와 엄격한 겹침 기준의 정밀도를 살펴보며 더 정확한 위치 학습의 효과를 조사했다.
관련 문서
Cascade R-CNN / Libra R-CNN / ATSS / PAA 객체 검출 / GIoU / DIoU