분류와 영역 품질
객체의 종류에 대한 신뢰도가 높더라도 마스크가 실제 영역과 잘 맞는다고 할 수는 없다. 연구는 분류 점수와 마스크 품질의 상관이 충분하지 않은 문제를 분석했다.
마스크 품질의 예측
추가 신경망 구성은 인스턴스 특징과 그에 해당하는 예측 마스크를 함께 입력받는다. 이를 이용해 정답 마스크와의 IoU를 회귀한다.
평가 순위의 조정
예측 품질을 점수에 반영해 더 정확한 마스크가 우선하도록 한다. 마스크의 실제 품질과 검출 점수 사이의 어긋남을 줄이려는 접근이다.
여러 모델의 실험
COCO에서 서로 다른 모델과 결합해 인스턴스 분할을 평가했다. 마스크 자체의 예측뿐 아니라 마스크를 어떤 순위로 평가하는지도 결과에 영향을 준다는 관점의 연구다.
관련 문서
Hybrid Task Cascade / IoU-Net / VarifocalNet / LVIS / Seesaw Loss / Equalization Loss