WordDetectorNet 픽셀 회귀

WordDetectorNet은 기존의 앵커 기반 탐지 및 NMS(Non-Maximum Suppression) 방식 대신, 픽셀 단위 바운딩 박스 회귀(Per-pixel bounding-box regression) 방식을 채택한 모델이다.

작동 원리 네트워크가 '단어 픽셀'로 분류한 모든 픽셀은 해당 픽셀로부터 바운딩 박스의 상/하/좌/우까지의 거리를 4개의 스칼라 값으로 회귀한다. 이를 통해 각 픽셀은 하나의 후보 박스를 생성하며, 결과적으로 단어당 수천 개의 중첩된 후보 박스가 생성된다.

이후 DBSCAN 클러스터링을 통해 후보들을 통합한다. 거리 측정 지표로 $1 - \text{IoU}$를 사용하여 공간적으로 중첩된 후보들을 그룹화하고, 각 클러스터의 중앙값(median) 박스를 최종 탐지 결과로 채택한다.

아키텍처 및 특징

• 구조: ResNet18 백본과 FPN 스타일의 디코더를 사용하며, 최종 헤드는 픽셀당 6개 채널(세그멘테이션 로짓 2개 + 거리 값 4개)을 출력한다.
• 장점: 앵커 크기나 NMS 임계값 같은 하이퍼파라미터를 별도로 튜닝할 필요가 없다.
• 단점: 후보 박스 간의 IoU 행렬 계산이 **$O(n^2)$**의 복잡도를 가져 실행 속도의 병목이 되며, DBSCAN의 파라미터를 수동으로 설정해야 하므로 엔드투엔드(end-to-end) 학습이 어렵다.