학습 과정의 불균형
검출 성능은 신경망 구조뿐 아니라 학습 과정의 영향을 받는다. 이 연구는 표본, 특징, 목표라는 세 수준에서 불균형을 분석하고 이를 함께 다루는 구성을 제안했다.
표본과 특징의 균형
IoU-balanced Sampling은 표본 수준의 불균형을 줄이기 위한 구성이다. Balanced Feature Pyramid는 여러 층의 특징을 사용하는 과정에서 특징 수준의 균형을 다룬다.
목표 수준의 조정
Balanced L1 Loss는 학습 목표 수준의 불균형을 조정하는 손실이다. 표본과 특징을 조정하는 구성에 더해 회귀 학습의 영향을 함께 다루도록 결합했다.
결합 구성의 평가
MS COCO에서 FPN Faster R-CNN과 RetinaNet을 기준으로 비교했다. 세 가지 수준의 균형을 함께 고려한 설계가 검출 평균 정밀도에 미치는 효과를 조사했다.
관련 문서
Guided Anchoring / Focal Loss / Generalized Focal Loss / ATSS / GIoU / DIoU