온라인 어려운 예제 채굴을 이용한 영역 기반 객체 검출기의 학습

물체 검출 분야는 영역 기반 컨벌루션 신경망(ConvNets)의 발전에 힘입어 상당한 진보를 이루어냈습니다. 그러나 그들의 학습 절차에는 여전히 많은 경험적 방법(heuristics)과 하이퍼파라미터가 포함되어 있으며, 이들을 조정하는 데 많은 비용이 듭니다. 본 연구에서는 영역 기반 ConvNet 검출기의 학습을 위한 간단하면서도 놀랍게도 효과적인 온라인 어려운 예제 채굴(OHEM, Online Hard Example Mining) 알고리즘을 제시합니다. 우리의 동기는 항상 같았습니다 — 검출 데이터셋은 압도적으로 많은 쉬운 예제와 소수의 어려운 예제를 포함하고 있습니다. 이러한 어려운 예제의 자동 선택은 학습을 더욱 효과적이고 효율적으로 만들 수 있습니다. OHEM은 일반적으로 사용되는 여러 경험적 방법과 하이퍼파라미터를 제거하는 간단하고 직관적인 알고리즘입니다. 하지만 더 중요한 것은, PASCAL VOC 2007 및 2012 벤치마크에서 일관되고 상당한 검출 성능 향상을 가져온다는 것입니다. MS COCO 데이터셋의 결과를 통해, 데이터셋이 더 크고 어렵게 될수록 OHEM의 효과성이 증가함을 입증하였습니다. 또한, 이 분야에서 이루어진 보완적인 발전들과 결합하면, OHEM은 PASCAL VOC 2007 및 2012에서 각각 78.9%와 76.3%의 평균 정밀도(mAP, mean Average Precision)로 최신 연구 결과를 도출하였습니다.