본 논문은 실제 이미지 손상 및 훈련 데이터셋과 다른 설정으로 캡처된 이미지와 같은 도메인 외 이미지 컬렉션에 대한 인스턴스 분할 모델의 종합적인 평가를 제시합니다. 도메인 외 이미지 평가는 모델의 일반화 능력을 보여주며, 실제 응용 프로그램의 필수적인 측면이자 광범위하게 연구된 도메인 적응 주제입니다. 제시된 강건성 및 일반화 평가는 실제 응용 프로그램을 위한 인스턴스 분할 모델을 설계하고, 현재 작업에 직접 사용할 기성품 사전 훈련된 모델을 선택할 때 중요합니다. 본 연구는 최첨단 네트워크 아키텍처, 네트워크 백본, 정규화 계층, 처음부터 훈련된 모델 대 사전 훈련된 네트워크, 그리고 다중 작업 훈련의 강건성 및 일반화에 대한 영향을 포함합니다. 이 연구를 통해 그룹 정규화는 이미지 내용은 동일하지만 손상이 추가되는 경우 네트워크의 강건성을 향상시키는 반면, 배치 정규화는 이미지 특징의 통계가 변경되는 다양한 데이터셋에서 모델의 일반화를 향상시킨다는 등의 통찰력을 얻습니다. 또한 단일 단계 검출기는 훈련 크기보다 큰 이미지 해상도로 잘 일반화되지 않지만, 다중 단계 검출기는 다양한 크기의 이미지에 쉽게 사용될 수 있다는 점을 발견했습니다. 본 연구는 더욱 강건하고 신뢰할 수 있는 인스턴스 분할 모델 개발을 촉진할 것으로 기대합니다.
