본 논문에서는 비디오 객체 검출을 위해 Transformer-GraphFormer Blender Network (TGBFormer)를 제안합니다. 기존 CNN 기반 방법은 국소적 특징을 잘 포착하지만 전역적 표현에는 어려움을 겪고, ViT 기반 방법은 장거리 전역적 특징을 잘 포착하지만 국소적 특징 표현에는 어려움을 겪는다는 점에 착안하여, TGBFormer는 트랜스포머와 그래프 합성곱 신경망의 장점을 활용하고 한계를 보완하는 세 가지 주요 기술적 개선 사항을 제시합니다. 첫째, 장거리 특징 의존성을 가진 전역적 표현을 구성하는 공간-시간 트랜스포머 모듈을 개발합니다. 둘째, 국소적 공간 및 시간적 관계를 활용하여 특징을 집계하는 공간-시간 GraphFormer 모듈을 도입하여 트랜스포머 출력을 보완하는 새로운 국소적 표현을 생성합니다. 셋째, 트랜스포머 기반 전역적 표현과 GraphFormer 기반 국소적 표현을 적응적으로 결합하는 전역-국소 특징 블렌더 모듈을 설계합니다. ImageNet VID 데이터셋에서의 광범위한 실험을 통해 TGBFormer가 최첨단 결과를 달성함을 보여줍니다. 특히, 단일 Tesla A100 GPU에서 약 41.0 FPS의 속도로 86.5% mAP를 달성합니다.
