플로우를 활용한 잡음 방지형 초소형 객체 위치 추정

Noise-Robust Tiny Object Localization with Flows

일반적인 객체 검출 분야에서 상당한 발전이 있었음에도 불구하고, 여전히 초소형 객체는 일반 크기의 객체와 비교했을 때 성능 격차가 존재합니다. 본 연구에서는 초소형 객체가 어노테이션 잡음에 매우 민감하며, 엄격한 위치 추정 목표를 최적화하는 과정에서 잡음 과적합의 위험이 있음을 보여줍니다. 이를 해결하기 위해, 유연한 오류 모델링 및 불확실성 기반 최적화를 위한 정규화 플로우를 활용하는 잡음 방지형 위치 추정 프레임워크인 Tiny Object Localization with Flows (TOLF)를 제안합니다. 본 방법은 플로우 기반의 오류 모델링을 통해 복잡하고 비정규 가우시안 분포 예측을 가능하게 하여, 잡음이 있는 환경에서도 안정적인 학습을 지원합니다. 또한, 불확실성을 고려한 그래디언트 조절 메커니즘은 높은 불확실성을 가진, 잡음에 취약한 샘플로부터의 학습을 억제하여 과적합을 완화하고 학습 안정성을 높입니다. 세 가지 데이터셋에 대한 광범위한 실험을 통해 본 연구의 효과성을 검증하였으며, 특히 AI-TOD 데이터셋에서 TOLF는 DINO 기준 성능을 1.2% AP 향상시켰습니다.

Despite significant advances in generic object detection, a persistent performance gap remains for tiny objects compared to normal-scale objects. We demonstrate that tiny objects are highly sensitive to annotation noise, where optimizing strict localization objectives risks noise overfitting. To address this, we propose Tiny Object Localization with Flows (TOLF), a noise-robust localization framework leveraging normalizing flows for flexible error modeling and uncertainty-guided optimization. Our method captures complex, non-Gaussian prediction distributions through flow-based error modeling, enabling robust learning under noisy supervision. An uncertainty-aware gradient modulation mechanism further suppresses learning from high-uncertainty, noise-prone samples, mitigating overfitting while stabilizing training. Extensive experiments across three datasets validate our approach's effectiveness. Especially, TOLF boosts the DINO baseline by 1.2% AP on the AI-TOD dataset.