Weakly Supervised Object Localization을 위한 Soft Proposal Networks

약한 감독 하의 객체 위치 추정은 훈련 중에 바운딩 박스 대신 이미지 라벨만 제공되는 상황에서 여전히 어려움을 겪고 있습니다. 객체 제안은 위치 추정에서 효과적인 구성 요소이지만, 종종 계산적으로 비싸고 나머지 모듈들과 함께 공동 최적화할 수 없습니다. 본 논문에서는, 최선의 지식으로서, 처음으로 약한 감독 하의 객체 제안을 컨벌루션 신경망(CNNs)에 단일 학습 방식으로 통합하였습니다. 우리는 'Soft Proposal (SP)'이라는 네트워크 구성 요소를 설계하여, 어떠한 표준 컨벌루션 구조에도 플러그인 할 수 있도록 하였으며, 이는 거의 비용 없이 객체 제안을 도입하며 기존 방법보다 몇 배 더 빠릅니다.SP가 추가된 CNNs, 즉 Soft Proposal Networks (SPNs)에서는 깊은 특징 맵에 기반하여 반복적으로 진화하는 객체 제안이 생성되고 다시 프로젝트되며, 이미지 수준의 감독만으로 네트워크 매개변수와 공동으로 최적화됩니다. 통합된 학습 과정을 통해 SPNs는 더 나은 객체 중심 필터를 학습하고, 더 구별력 있는 시각적 증거를 발견하며, 배경 간섭을 억제하여 약한 감독 하의 객체 위치 추정 및 분류 성능을 크게 향상시킵니다. 우리는 PASCAL VOC, MS COCO, ImageNet 등의 인기 벤치마크에서 가장 우수한 결과를 보고합니다.