본 논문은 딥러닝 기반 객체 검출 모델의 Out-of-Distribution (OoD) 입력에 대한 과신뢰 문제를 해결하기 위해 기존의 점수 함수 개선 및 테스트 시간 임계값 조정과 같은 알고리즘적 개선을 넘어, 개발 라이프사이클 전반에 대한 재고가 필요함을 주장합니다. 기존 OoD 검출 평가 벤치마크의 오류(최대 13%의 오염)를 지적하고, 외부 OoD 검출기에 의존하지 않고, 의미적으로 유사한 OoD 데이터셋을 이용하여 검출기를 미세조정하는 새로운 훈련 시간 완화 패러다임을 제시합니다. 이를 통해 YOLO 모델의 BDD-100K 환경에서 환각 오류를 91% 감소시켰으며, YOLO, Faster R-CNN, RT-DETR 등 다양한 검출 방식과 소수 샷 적응에도 일반화 가능함을 보였습니다.
