큰 어휘의 객체 인식
인스턴스 분할은 객체의 종류뿐 아니라 개별 객체가 차지하는 영역도 구분한다. 범주가 늘어나면 생김새가 비슷한 객체를 가려내야 하고, 드문 범주에는 학습 예시가 충분하지 않을 수 있다.
긴 꼬리 분포
LVIS는 범주별 예시 수를 균등하게 맞추기보다 자연스러운 불균형을 연구 대상으로 삼았다. 전체 평균 성능과 희소 범주의 인식 능력을 함께 살펴볼 필요가 생긴다.
범주별로 완결되는 주석
전체 자료를 작은 단일 범주 데이터셋들의 합집합으로 구성하는 방식을 사용한다. 해당 범주에 대해서는 객체를 빠짐없이 표시하지만, 모든 이미지의 모든 범주를 완전히 주석하는 구성은 아니다.
마스크와 평가
사람이 객체를 찾고 영역을 표시하는 주석 절차를 설계했다. 평가는 COCO 방식의 평균 정밀도를 활용하며 여러 겹침 기준과 범주의 결과를 집계한다.
관련 문서
Equalization Loss / Seesaw Loss / DisAlign / LDAM / Open Images V4 / RIDE 긴 꼬리 인식