순서가 있습니다. 포털 넷(연구방·지식센터·커뮤니티·아카데미)을 먼저 담고,
SSRA 는 맨 나중에 담아 주세요. SSRA 를 먼저 담으면 나머지가 그 안에 포함된 것으로
잡혀 따로 담기지 않습니다. 아이콘도 담을 차례대로 놓았습니다 — 왼쪽부터 차례로 누르시면 됩니다.
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-Time Object Detection
Yuming Chen, Xinbin Yuan, Jiabao Wang 외 · IEEE Transactions on Pattern Analysis and Machine Intelligence · 2025년 · 조회 29
왜 이 논문인가 — 선정 기준
HOT PAPER · 최근 가장 주목받는 논문 — 피인용·FWCI·동년 인용 백분위
2025-02 발표 · 피인용 251회 · FWCI 81.5 · 동년 인용 상위 1%
HOT PAPER 슬롯은 최신 논문 중 가장 높은 인용도와 FWCI 81.5 등 동년 대비 상위 1%에 위치한 점을 근거로 선정되었다.
논문 요약
본 연구는 다중 브랜치 특징과 다양한 커널 크기의 합성곱이 객체 검출 성능에 미치는 영향을 조사하여, 실시간 검출기에 적합한 새로운 다중 스케일 특징 강화 전략을 제안한다. 제안한 YOLO‑MS를 MS COCO 데이터셋에서 사전학습 없이 처음부터 학습시켰으며, YOLO‑v7, RTMDet, YOLO‑v8 등 최신 실시간 검출기들을 모두 능가하였다. XS 버전은 AP 42 % 이상을 기록했다.
후속 연구설계에 활용하기
다중 브랜치 블록과 커널 크기 조합을 변수로 설정해 실시간 검출기의 성능·속도 트레이드오프를 비교하는 후속 실험 설계에 활용할 수 있다.
핵심어
객체 검출다중 스케일실시간YOLO
실존 확인
이 논문은 OpenAlex에서 후보로 수집한 뒤, Crossref에 등록된 DOI와 제목 일치를 확인해 노출합니다.
SSRA가 문헌연구에서 인용 논문의 실재 여부를 검증하는 원칙과 같습니다.