깊은 특성 학습을 통한 차별적 위치 결정

이 연구에서는 [13]에서 제안된 전역 평균 풀링 레이어를 재검토하고, 이 기법이 이미지 레벨 라벨로만 훈련되었음에도 불구하고 합성곱 신경망(CNN)에 뛰어난 위치 결정 능력을 명시적으로 부여하는 메커니즘을 밝히고자 합니다. 이 기법은 이전에 훈련 과정의 정규화 수단으로 제안되었지만, 우리는 실제로 이 기법이 다양한 작업에 적용할 수 있는 일반적인 위치 결정 가능한 깊은 표현을 구축한다는 것을 발견했습니다. 전역 평균 풀링의 겉보기 간단함에도 불구하고, ILSVRC 2014에서 객체 위치 결정 태스크에서 37.1%의 상위 5개 오류율을 달성할 수 있었으며, 이는 완전히 지도된 CNN 접근 방식으로 달성한 34.2%의 상위 5개 오류율과 매우 유사합니다. 우리는 네트워크가 이러한 태스크들을 위해 특별히 훈련되지 않았음에도 불구하고 다양한 작업에서 차별적인 이미지 영역을 위치 결정할 수 있음을 보여주었습니다.