초록
복잡성 인식 연쇄 검출기의 설계는 매우 다른 복잡성을 가진 특징들을 결합하는 것을 고려합니다. 새로운 연쇄 설계 절차가 소개되며, 이는 정확도와 복잡성을 모두 고려한 위험을 라그랑주 최적화로 공식화함으로써 연쇄 학습을 제시합니다. 그런 다음, 이 최적화를 해결하기 위해 복잡성 인식 연쇄 훈련(CompACT)이라고 표기된 부스팅 알고리즘이 도출됩니다. CompACT 연쇄는 더 복잡한 특징들을 나중의 연쇄 단계로 밀어내어, 오직 몇 개의 어려운 후보 패치만이 분류되어야 하는 상황에서 최적의 균형점을 찾는 것으로 나타났습니다. 이는 단일 검출기에서 매우 다른 복잡성을 가진 특징들을 사용할 수 있게 합니다. 결과적으로, 기존에는 연쇄 설계에 실용적이지 않았던 특징들, 예를 들어 깊은 합성곱 신경망(CNN)의 응답 등을 특징 풀에 포함시킬 수 있게 되었습니다. 이를 보행자 검출기의 설계를 통해 증명하였는데, 해당 검출기는 CNN과 객체 제안 메커니즘의 조합을 일반화하였습니다: 사전 처리 단계가 아닌 CompACT 연쇄는 그 단계들에 CNN을 원활하게 통합합니다. 이로 인해 Caltech와 KITTI 데이터셋에서 상당히 빠른 속도로 최신 성능을 달성할 수 있었습니다.