A-Fast-RCNN: 대항을 통한 어려운 양성 샘플 생성을 이용한 객체 검출

물체 검출기의 가림 현상과 변형에 대한 불변성을 어떻게 학습할까요? 현재의 해결책은 데이터 주도 전략을 사용하는 것입니다 -- 다양한 조건 하에서 물체 인스턴스를 포함하는 대규모 데이터셋을 수집합니다. 최종 분류기가 이러한 예제들을 통해 불변성을 학습할 수 있기를 기대합니다. 하지만 실제로 데이터셋에서 모든 가림 현상을 볼 수 있을까요? 우리는 카테고리와 마찬가지로, 가림 현상과 물체 변형도 긴 꼬리를 따르는 것으로 주장합니다. 일부 가림 현상과 변형은 너무 드물어 거의 발생하지 않지만, 이러한 사례들에 대해 불변성을 가지는 모델을 학습하고자 합니다. 이 논문에서는 대안적인 해결책을 제안합니다. 우리는 가림 현상과 변형이 있는 예제를 생성하는 적대적 네트워크를 학습하는 방법을 제안합니다. 적대자의 목표는 물체 검출기가 분류하기 어려운 예제를 생성하는 것입니다. 우리의 프레임워크에서는 원래의 검출기와 적대자가 공동으로 학습됩니다. 실험 결과, Fast-RCNN 파이프라인과 비교하여 VOC07 객체 검출 도전 과제에서 2.3% mAP 향상, VOC2012 객체 검출 도전 과제에서 2.6% mAP 향상이 나타났습니다. 또한 이 논문의 코드를 공개합니다.