要約
本論文では、学習段階で画像レベルの監督のみを使用する弱教師付き物体検出について取り扱っています。従来の手法は、一度に全画像を用いて検出モデルを訓練しますが、これにより偽陽性例が導入され、モデルが部分最適解に陥りやすくなります。それらとは異なり、我々は信頼性のある物体インスタンスを発見しつつ、モデルが初期シードに過学習することを防ぐためのジグザグ学習戦略を提案します。この目標に向けて、まず平均エネルギー蓄積スコア（mean Energy Accumulation Scores, mEAS）という基準を開発し、対象物体を含む画像の位置特定の難易度を自動的に測定・順位付けします。そして、難易度が増加するサンプルから段階的に学習することで検出器を訓練します。この方法により、モデルは簡単なサンプルでの学習を通じてより難しいものから学ぶ準備ができ、効率的に強力な検出能力を得ることができます。さらに、高レベルの畳み込み特徴マップに対して新しいマスキング正則化戦略を導入し、初期サンプルへの過学習を避けるようにしています。これらの2つのモジュールによってジグザグ学習プロセスが形成され、進行型学習は信頼性のある物体インスタンスの発見を目指し、マスキング正則化は物体インスタンスを見つける難易度を高めます。我々の手法はPASCAL VOC 2007において47.6%のmAP（mean Average Precision）を達成し、既存の最先端手法よりも大幅に優れています。