DBSCAN 기반 WordDetectorNet 구조 분석

WordDetectorNet은 기존의 앵커 기반 탐지 및 NMS(Non-Maximum Suppression) 방식 대신, 픽셀 단위의 바운딩 박스 회귀와 DBSCAN 클러스터링을 결합한 독특한 구조를 제안한다.

핵심 메커니즘

• 네트워크가 '단어 픽셀'로 분류한 모든 픽셀은 해당 픽셀을 포함하는 바운딩 박스의 4가지 거리 값(상/우/하/좌)을 함께 회귀한다.
• 이를 통해 수천 개의 중첩된 후보 박스가 생성되며, DBSCAN을 사용하여 distance = 1 − IoU 메트릭으로 이들을 클러스터링한다.
• 최종적으로 각 클러스터의 중앙값(median) 박스를 탐지 결과로 채택한다.

아키텍처 구성

• Backbone: ResNet18 (1채널 그레이스케일 입력 및 중간 특징 추출 기능 수정).
• Decoder: FPN 스타일의 디코더를 통해 모든 스케일의 특징을 업스케일 및 결합.
• Head: 픽셀당 6개 채널(2개 세그멘테이션 로짓 + 4개 거리 값) 출력.
• Loss: Cross-entropy와 IoU 손실을 동일한 가중치로 학습.

장단점

• 장점: 앵커 설정이나 NMS 임계값 튜닝이 필요 없으며, IoU 기반 클러스터링 방식이 개념적으로 명확하다.
• 단점: 후보 박스 쌍에 대한 IoU 계산이 $O(n^2)$의 복잡도를 가져 실행 속도의 병목이 되며, DBSCAN의 eps 하이퍼파라미터를 수동으로 설정해야 하므로 엔드투엔드(end-to-end) 학습이 어렵다.