딥러닝의 도입 이후 지난 10년 동안 컴퓨터 비전 분야에서는 상당한 양의 연구가 수행되어 왔다. 특히, 객체 탐지(object detection; OD)에 관한 연구는 빠르게 계속 발전하고 있다. 그러나 이러한 진전에도 불구하고 딥러닝 기반 OD 모델의 실제 적용을 가능하게 하기 위해서는 몇 가지 한계를 극복할 필요가 있다. 그중 하나는 영상 품질이 나쁘거나 대상 물체가 작은 경우의 부정확한 OD이다. 작은 물체에 대한 성능 저하 현상은 수용영역(receptive field) 제약과 같은 OD 모델의 근본적 한계와 유사하며, 이는 OD 모델만으로 해결하기 어려운 문제이다. 따라서 낮은 영상 품질 또는 작은 대상 물체로 인해 OD 성능이 저해될 수 있다. 이를 해결하기 위해 본 연구는 특히 작은 물체에 대해 탐지를 개선하기 위한 초해상도(super-resolution; SR)와 OD 기법의 적합성을 조사한다. 우리는 SR과 OD 모델의 결합을 분석하고, 이를 아키텍처적 특성에 따라 분류한다. 실험 결과, OD 검출기를 SR 모델과 통합할 경우 상당한 성능 향상이 나타났다. 전반적으로, SR 모델의 평가 지표(PSNR, SSIM)가 높을수록 OD 성능 또한 이에 상응하여 높게 나타남이 입증되었다. 특히 MS COCO 데이터셋에 대한 평가에서는 작은 물체에 대한 향상률이 전체 물체에 비해 9.4% 더 높은 것으로 나타났다. 본 연구는 SR과 OD 모델의 적합성을 분석함으로써 두 기법의 상호 시너지적 조합이 제공할 수 있는 잠재적 이점을 보여준다. 실험 코드는 당사 GitHub 저장소에서 확인할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.