깊은 자기지도 학습을 이용한 약한 지도 하에서의 객체 위치 추정

대부분의 기존 약간 지도된 위치 인식(Weakly Supervised Localization, WSL) 접근 방식은 이미지 수준의 감독을 통해 학습된 특징을 바탕으로 양성 바운딩 박스를 찾음으로써 검출기를 학습합니다. 그러나 이러한 특징들은 공간 위치와 관련된 정보를 포함하지 않으며, 일반적으로 검출기 훈련에 필요한 양질의 양성 샘플을 제공하지 못합니다. 이 문제를 해결하기 위해, 우리는 객체 수준의 특징을 신뢰할 수 있도록 학습하여 이를 기반으로 다시 자신을 훈련시키는 깊은 자기 교육 학습 방법을 제안합니다. 그 결과, 검출기는 점진적으로 검출 능력을 개선하고 더 유용한 양성 샘플을 위치 인식하게 됩니다.이러한 자기 교육 학습을 구현하기 위해, 우리는 이미지-객체 전송(Image-to-Object Transferring)과 밀집 그래프 발견(Dense Subgraph Discovery) 방법을 통해 검출기 초기화에 사용할 신뢰할 수 있는 양성 샘플을 찾는 시드 샘플 획득 방법을 제안합니다. 또한 온라인 지원 샘플 수집 방안이 제안되어 가장 확신할 수 있는 타이트한 양성 샘플을 동적으로 선택하고 상호 강화 방식으로 검출기를 훈련시킵니다. 오버피팅으로 인해 빈곤한 최적점에 갇히는 것을 방지하기 위해, 예측된 CNN 점수의 새로운 상대적 개선 방법을 제안하여 자기 교육 학습 과정을 안내합니다.PASCAL 2007 및 2012 데이터셋에서 수행된 광범위한 실험 결과, 우리의 접근 방식이 기존 최고 성능 방법들을 능가하며, 이는 그 효과성을 강력히 입증하고 있습니다.