초록
본 논문에서는 각 카테고리에 대해 몇 개의 라벨된 이미지만을 사용하고 대규모 비라벨 이미지 풀을 활용한 객체 검출, 즉 "소수 샘플 객체 검출(few-example object detection)"을 연구합니다. 주요 과제는 풀에서 가능한 한 많은 신뢰할 수 있는 학습 샘플을 생성하는 것입니다. 소수의 학습 샘플을 시드로 사용하여, 본 방법은 모델 학습과 고신뢰도 샘플 선택 사이를 반복합니다. 학습 단계에서는 먼저 쉬운 샘플이 생성되고, 그 다음 초기화가 부족한 모델이 개선됩니다. 모델이 더욱 구분력을 갖게 되면 도전적이면서도 신뢰할 수 있는 샘플들이 선택됩니다. 그 후 다시 한 번 모델 개선이 이루어집니다. 생성된 학습 샘플의 정밀도와 재현율을 더욱 향상시키기 위해, 본 프레임워크에는 여러 객체 검출 모델이 내장되어 있습니다. 이는 단일 모델 베이스라인 및 모델 앙상블 방법보다 우수한 성능을 보이는 것으로 입증되었습니다. PASCAL VOC'07, MS COCO'14, 그리고 ILSVRC'13 데이터셋에서 수행된 실험 결과는 각 카테고리당 3개 또는 4개의 샘플만 선택하여도, 본 방법이 대량의 이미지 레벨 라벨을 사용하는 최신 약지도학적 접근법들과 비교해 매우 경쟁력 있는 결과를 산출함을 나타냅니다.