초록
추가적인 특성을 집계하는 것이 전통적인 보행자 검출 방법을 향상시키는 효과적인 접근 방식으로 여겨져 왔습니다. 그러나 CNN 기반 보행자 검출기들이 이러한 추가적인 특성에서 어떤 이점을 얻을 수 있는지에 대한 연구는 아직 부족한 상태입니다. 본 논문의 첫 번째 공헌은 이러한 문제를 탐구하기 위해 CNN 기반 보행자 검출 프레임워크에 추가적인 특성을 집계하는 것입니다. 광범위한 실험을 통해 다양한 종류의 추가적 특성이 미치는 영향을 정량적으로 평가하였습니다. 또한, 보행자 검출과 주어진 추가적 특성을 동시에 학습할 수 있는 새로운 네트워크 구조인 하이퍼러너(HyperLearner)를 제안합니다. 다중 작업 학습을 통해 하이퍼러너는 추론 시 추가 입력 없이 주어진 특성의 정보를 활용하여 검출 성능을 개선할 수 있습니다. 여러 보행자 벤치마크에서 수행된 실험 결과는 제안된 하이퍼러너의 유효성을 입증하고 있습니다.