연구진은 자율주행·로봇 등 안전 관련 분야에서 중요하게 사용되는 오픈셋 패노프틱 분할(OPS) 문제를 해결하기 위해 Hyp2Former 프레임워크를 제안했습니다.
Hyp2Former는 기존 방식과 달리 훈련 과정에서 미지의 객체를 명시적으로 모델링하지 않고, 쌍곡공간에서 계층적 의미 유사성을 학습하여 OPS 성능을 향상시킵니다.
MS COCO, Cityscapes, Lost&Found 등 공개 데이터셋 실험 결과, Hyp2Former는 기존 방법보다 우수한 OPS 성능을 보이며, 미지의 객체 탐지와 기존 객체에 대한 강건성을 균형 있게 달성했습니다.