要約
本研究では、弱い教師あり学習を用いて意味的に重要な対象物の領域を自動的に特定するための敵対的補完学習（Adversarial Complementary Learning: ACoL）を提案します。まず、数学的に証明し、最終的な畳み込み層のクラス固有の特徴マップを選択することでクラス別位置特定マップが得られることを示しました。これにより、対象物の領域を単純に識別する方法が開かれます。次に、オブジェクト位置特定のために2つの並列分類器を含む単純なネットワークアーキテクチャを提示します。具体的には、前方パス中に一部の判別的な対象物領域を動的に特定するために1つの分類枝を利用します。この分類器は通常、目標オブジェクトの疎な部分に反応しますが、発見した領域を特徴マップから消去することで、他の分類器が新しい補完的な対象物領域を見つけることを促進できます。このような敵対的学習によって、2つの並列分類器は補完的な対象物領域を利用して分類を行うよう強制され、最終的には全体的なオブジェクト位置特定を生成することができます。ACoLの優れた点は主に二つあります：1) エンドツーエンドで訓練できる；2) 動的な消去により、他の分類器が補完的な対象物領域を見つけ出す効果が高まります。我々は様々な実験を通じてACoLアプローチの優位性を示しています。特にILSVRCデータセットにおけるTop-1位置特定誤差率は45.14%であり、これは新たな最先端の結果となっています。