앵커 프리 객체 탐지(Anchor-free object detection)는 사전에 정의된 앵커 박스 세트에 의존하지 않고 이미지 내 객체를 위치시키고 분류하는 컴퓨터 비전의 패러다임이다. Faster R-CNN 및 SSD와 같은 전통적인 객체 탐지기는 다양한 크기와 종횡비의 수많은 앵커 박스를 참조 후보로 사용한다. 탐지기는 이러한 앵커를 정제하여 실제 객체와 일치시킨다. 반면, 앵커 프리 방법은 중심이나 모서리와 같은 키포인트를 식별하거나 각 픽셀을 객체의 중심 영역에 속하는지 분류하는 방식으로 객체의 위치와 범위를 직접 예측한다. 이 접근 방식은 앵커 생성 및 매칭과 관련된 설계 선택과 계산 오버헤드를 줄이며, 표준 벤치마크에서 경쟁력 있거나 우수한 정확도를 달성하는 것으로 입증되었다.
앵커 프리 탐지로의 전환은 더 단순하고 유연한 탐지 프레임워크에 대한 요구에 의해 주도되었다. 앵커 기반 방법은 데이터 세트에 따라 달라질 수 있는 앵커의 크기, 종횡비 및 수를 신중하게 조정해야 한다. 앵커 프리 방법은 이러한 하이퍼파라미터를 제거하여 새로운 도메인에 적응하기 쉽게 만든다. 또한 앵커 프리 탐지기는 종종 더 간단한 아키텍처를 가지며, 훈련과 추론 모두에서 더 효율적일 수 있다. 이 개념은 CornerNet, CenterNet 및 FCOS와 같은 모델의 성공으로 두각을 나타냈으며, 이러한 모델은 앵커 프리 접근 방식이 앵커 기반 방식과 동등하거나 더 나은 성능을 낼 수 있음을 입증했다.
역사적 배경
앵커 없이 객체를 탐지하는 아이디어는 키포인트 탐지 및 의미론적 분할에 대한 초기 연구에 뿌리를 두고 있다. 2010년대에는 Deformable Parts Model(DPM)과 같은 방법이 앵커에 의존하지 않는 부분 기반 모델을 사용했지만, 이는 앵커 기반 영역 제안 네트워크를 선호하는 딥러닝 접근 방식으로 대체되었다. 앵커 프리 탐지의 부활은 2018년경 CornerNet의 도입으로 시작되었으며, 이는 객체를 왼쪽 상단 및 오른쪽 하단 모서리 키포인트 쌍으로 탐지했다. 그 뒤를 이어 객체 중심과 크기를 예측하는 CenterNet과 탐지를 픽셀 단위 예측 문제로 처리하는 FCOS(Fully Convolutional One-Stage)가 등장했다. 이러한 모델들은 앵커 프리 방법이 COCO와 같은 데이터 세트에서 최첨단 결과를 달성할 수 있음을 보여주었으며, 이후 연구에서 널리 채택되는 결과를 가져왔다.
핵심 원리
앵커 프리 탐지기는 일반적으로 키포인트 기반과 중심 기반의 두 가지 범주로 나뉜다. CornerNet 및 ExtremeNet과 같은 키포인트 기반 방법은 객체의 특정 지점(예: 모서리 또는 극단점)을 식별한 다음 이를 그룹화하여 경계 상자를 형성한다. CenterNet 및 FCOS와 같은 중심 기반 방법은 각 객체의 중심을 예측한 다음 중심에서 경계 상자 가장자리까지의 거리를 회귀한다. FCOS는 또한 객체 중심에서 멀리 떨어진 저품질 예측의 가중치를 낮추기 위해 중심성 점수를 예측한다. 이러한 방법은 종종 완전 컨볼루션 네트워크를 사용하고 밀집된 특징 맵에서 작동하므로 신경망 및 딥러닝 프레임워크와 같은 현대 딥러닝 아키텍처와 자연스럽게 호환된다.
주요 장점 중 하나는 복잡하고 계산 집약적일 수 있는 앵커 매칭 프로세스를 제거한다는 점이다. 앵커 기반 방법에서는 훈련 중에 각 앵커가 Intersection over Union(IoU) 임계값에 따라 실제 객체 또는 배경 레이블에 할당되어야 한다. 앵커 프리 방법은 대신 픽셀이 객체의 중심 영역에 속하는지 여부와 같은 공간적 위치에 따라 레이블을 할당한다. 이는 훈련 목표를 단순화하고 더 빠른 수렴으로 이어질 수 있다.
주목할 만한 아키텍처
여러 앵커 프리 아키텍처가 영향력을 발휘했다. CornerNet(2018)은 왼쪽 상단 및 오른쪽 하단 모서리에 대한 히트맵을 예측하고 동일한 객체에 속하는 모서리를 그룹화하기 위한 임베딩을 도입했다. CenterNet(2019)은 객체 중심에 대한 단일 히트맵을 예측한 다음 너비와 높이를 회귀하여 이를 단순화했다. FCOS(2019)는 탐지를 밀집 예측 작업으로 공식화하여 각 픽셀이 객체의 중심 영역 내에 있으면 경계 상자를 예측하도록 했다. 이후 RepPoints(2019) 및 DETR(2020)과 같은 모델은 경계를 더욱 확장했다. Transformer 아키텍처를 사용하는 DETR은 객체 탐지를 집합 예측 문제로 취급하여 앵커 및 비최대 억제와 같은 수작업 구성 요소를 완전히 제거했다. 이러한 모델은 자율 주행 및 의료 영상과 같은 다양한 응용 분야에 통합되었다.
장점과 과제
앵커 프리 탐지기는 여러 이점을 제공한다. 하이퍼파라미터 수를 줄여 튜닝과 배포를 더 쉽게 만든다. 또한 파이프라인이 더 단순한 경향이 있어 GPU와 같은 하드웨어에서 더 효율적일 수 있다. 또한 사전 정의된 앵커 모양에 의존하지 않으므로 비정상적인 객체 모양이나 크기에 더 적응적이다. 그러나 과제도 있다. 키포인트 기반 방법은 겹치는 객체나 모호한 키포인트가 있는 객체에서 어려움을 겪을 수 있다. 중심 기반 방법은 중심 영역이 제대로 정의되지 않을 수 있는 매우 크거나 작은 객체에서 어려움을 겪을 수 있다. 또한 일부 앵커 프리 방법은 여전히 그룹화나 비최대 억제와 같은 후처리 단계가 필요하며, 이는 병목 현상이 될 수 있다.
응용 분야 및 영향
앵커 프리 탐지는 실제 시스템에서 널리 채택되었다. 자율 주행에서 보행자, 차량 및 교통 표지판을 탐지하는 것은 중요하며, 앵커 프리 방법은 다양한 객체 크기와 모양에 대한 견고성을 제공한다. 감시 및 로보틱스에서는 앵커 프리 모델의 단순성이 엣지 장치에서 실시간 처리를 용이하게 한다. Waymo 및 Tesla Autopilot과 같은 회사는 인식 스택에 이러한 기술을 탐구했다. 이 개념은 직접 예측의 유사한 원리가 적용되는 인스턴스 분할 및 자세 추정과 같은 다른 작업에도 영향을 미쳤다. 2025년 현재 앵커 프리 방법은 현대 객체 탐지 프레임워크의 표준 구성 요소가 되었으며, 종종 하이브리드 접근 방식에서 앵커 기반 기술과 결합된다.