품질 점수의 결합
객체의 종류를 맞히는 신뢰도와 상자의 위치가 정확한 정도는 다를 수 있다. 이 연구는 위치 품질 추정을 분류 예측 벡터에 합쳐 두 정보를 함께 나타낸다.
학습과 추론의 일관성
품질과 분류를 서로 다른 방식으로 학습하고 결합하면 학습 단계와 추론 단계의 사용 방식이 달라질 수 있다. 결합된 표현은 이런 불일치를 줄이려는 설계다.
분포로 표현하는 위치
복잡한 장면에서는 객체의 경계 위치가 모호할 수 있다. 하나의 위치에 집중된 표현 대신 벡터로 위치 분포를 나타내 유연한 경계 상자 학습을 시도한다.
연속 목표의 최적화
이러한 표현에는 연속적인 목표 값이 포함된다. GFL은 이를 학습할 수 있도록 Focal Loss를 일반화하고 COCO에서 같은 특징 추출기와 학습 조건의 다른 검출 방법과 비교했다.
관련 문서
Focal Loss / GIoU / DIoU / Soft-NMS / LVIS / Open Images V4