기초 개념
- 전통적인 객체 탐지 모델, 특히 anchor-based 모델은
- 고정된 기준(예: IoU 임계값)을 사용하여 예측된 바운딩 박스와 ground truth 바운딩 박스 간의 매칭을 결정합니다.
- 그러나 이러한 고정된 기준은 항상 최적이라고 할 수 없습니다. DLA는 이 문제를 해결하기 위해 도입되었습니다.
- 최근의 연구에서는 이러한 DLA 방법론이 전통적인 고정된 레이블 할당 전략에 비해
더 나은 성능과더 빠른 수렴 속도를 보이는 경우가 많습니다. 이로 인해, 많은 최신 객체 탐지 모델들이 DLA를 포함하고 있는 추세입니다.
- DLA의 주요 아이디어는 다음과 같습니다:
- 동적 매칭
- 학습 과정 중에
바운딩 박스 매칭 기준을 동적으로 조정- 이렇게 함으로써, 학습 초기에는 느슨한 매칭 기준을 사용하여 더 많은 positive sample을 포함시킬 수 있고,
- 학습이 진행됨에 따라 점점 더 엄격한 기준을 적용하여 hard negative samples를 제거할 수 있습니다.
- 학습 과정 중에
- 개선된 학습 안정성 및 성능
- 동적으로 레이블 할당 기준을 조정함으로써, 모델은 더 안정적으로 학습될 수 있으며, 종종 더 나은 성능을 보이기도 합니다.
- DLA는 객체 탐지뿐만 아니라 다양한 컴퓨터 비전 작업에서도 유용하게 사용될 수 있습니다.
- 예를 들면, 세그멘테이션(segmentation)이나 키포인트 검출(keypoint detection) 등에서도 적용 가능합니다.
논문 적용 사례: YOLOv7
모든 의사 결정 과정을 지나칠 정도로 모두 기록하고, 나중에 스스로 피드백 하는 것