특징 층의 선택
특징 피라미드는 여러 수준의 특징으로 객체를 찾는다. FSAF는 사람이 정한 기준에만 의존해 사용할 층을 고르기보다 각 객체에 맞는 층을 학습 중 결정한다.
층마다 추가한 분기
피라미드의 각 층에 앵커 없는 예측 분기를 붙인다. 어느 층에서도 앵커 없는 방식으로 경계 상자를 표현하고 복원할 수 있게 구성했다.
객체별 동적 할당
학습 중 각 객체를 가장 적절한 특징 층에 동적으로 대응시킨다. 이 온라인 특징 선택을 여러 층의 예측 분기 학습에 적용한다.
기존 검출기와의 결합
추론에서는 앵커 기반 분기와 나란히 예측을 출력하는 구성을 사용할 수 있다. COCO에서 단독 구성과 RetinaNet에 결합한 구성을 평가해 특징 선택의 효과를 살펴봤다.
관련 문서
ATSS / FreeAnchor / AutoAssign / TOOD / Focal Loss / VarifocalNet