본 논문은 효율적인 객체 탐지 모델인 EfficientDet을 기반으로, 스위처블(적응형) 아트러스 합성곱 신경망(SAC-Net)을 제안합니다. 기존 CNN 모델의 풀링 과정에서 작은 객체 탐지에 중요한 고밀도 특징이 손실되는 문제를 해결하기 위해, 고정된 아트러스 비율의 한계를 극복하고 전방 패스 중 아트러스 비율을 동적으로 조절하는 스위처블 메커니즘을 도입했습니다. SAC-Net은 저수준 및 고수준 특징을 모두 활용하여 고밀도 특징을 유지하면서 다중 스케일 객체 탐지 성능을 향상시킵니다. 더 나아가 깊이 방향 스위처블 아트러스 비율과 전역 컨텍스트를 적용하여 스케일 불변 특징을 개선했습니다. 벤치마크 데이터셋 실험 결과, 제안된 SAC-Net은 최첨단 모델보다 정확도 측면에서 상당한 성능 향상을 보였습니다.
