초록
최근의 객체 검출 기술은 대규모 검출 벤치마크를 사용한 딥러닝에 의해 주로 발전하고 있습니다. 그러나, 목적 검출 작업을 위한 완전히 주석이 달린 훈련 세트는 종종 제한적이어서 딥 검출기의 성능을 저하시킬 수 있습니다. 이 문제를 해결하기 위해 본 논문에서는 소수의 훈련 예제로 효과적인 목적 도메인 검출기를 구축하기 위해 풍부한 원본 도메인 지식을 활용하는 새로운 저 샷 전이 검출기(Low-Shot Transfer Detector, LSTD)를 제안합니다. 주요 기여점은 다음과 같습니다.첫째, 저 샷 전이에서 발생하는 전이 어려움을 완화하기 위해 유연한 LSTD의 딥 아키텍처를 설계하였습니다. 이 아키텍처는 SSD와 Faster R-CNN의 장점을 통합하여 일관된 딥 프레임워크에서 활용할 수 있습니다.둘째, 저 샷 검출을 위한 새로운 규제화된 전이 학습 프레임워크를 소개하였습니다. 여기서는 원본 도메인과 목적 도메인으로부터 각각 객체 지식을 활용하기 위해 전이 지식(Transfer Knowledge, TK) 및 배경 억제(Background Depression, BD) 규제화 방법을 제안하여 소수의 목적 이미지를 이용한 미세 조정(fine-tuning)을 더욱 강화하였습니다.셋째, 여러 가지 어려운 저 샷 검출 실험에서 우리의 LSTD를 평가하였으며, LSTD는 다른 최신 접근 방식보다 우수한 성능을 보였습니다. 결과는 LSTD가 저 샷 시나리오에서 선호되는 딥 검출기임을 입증합니다.