밀집 후보의 대안
많은 검출기는 특징 지도의 각 위치에 여러 후보를 배치한다. Sparse R-CNN은 이처럼 방대한 후보를 만드는 대신 작은 고정 길이의 학습 가능한 객체 제안을 사용한다.
학습 가능한 제안
희소한 객체 제안 집합을 인식 헤드에 제공해 종류와 위치를 예측한다. 손으로 후보를 설계하거나 여러 후보를 하나의 정답에 할당하는 구성을 줄이려는 접근이다.
결과의 직접 출력
최종 예측은 비최대 억제 후처리 없이 출력한다. 학습과 예측 과정 자체에서 객체 집합을 다루도록 구성한 점이 특징이다.
정확도와 실행의 평가
COCO에서 검출 정확도, 실행 시간, 학습 수렴을 기존 기준 방법과 비교했다. 연구는 희소 후보를 사용하는 방식이 기존 검출기의 대안이 될 수 있는지 조사했다.
관련 문서
Dynamic Head / Cascade R-CNN / Guided Anchoring / FreeAnchor / ATSS / Soft-NMS