대립 보완 학습을 이용한 약간의 지도를 받은 객체 위치 추정

본 연구에서는 약한 감독 하에서 의미上有Interest(관심)의 객체를 자동으로 위치 결정하기 위한 적대적 보완 학습(Adversarial Complementary Learning, ACoL)을 제안합니다. 먼저, 마지막 컨볼루션 계층의 클래스 특이적 피처 맵을 직접 선택함으로써 클래스 위치 맵을 얻을 수 있다는 것을 수학적으로 증명하였습니다. 이는 객체 영역을 식별하는 간단한 방법을 제시합니다. 그 다음, 객체 위치 결정을 위한 두 개의 병렬 분류기를 포함하는 간단한 네트워크 구조를 제시합니다. 구체적으로, 하나의 분류 지점을 활용하여 순전파 과정 중 일부 차별적인 객체 영역을 동적으로 위치 결정합니다. 이 분류기는 일반적으로 대상 객체의 희소 부분에 반응하지만, 발견된 영역을 피처 맵에서 삭제함으로써 상대 분류기가 새로운 보완적인 객체 영역을 발견하도록 유도할 수 있습니다. 이러한 적대적 학습 방식으로 인해 두 개의 병렬 분류기는 분류를 위해 보완적인 객체 영역을 활용하도록 강제되며, 결국 전체적인 객체 위치 결정을 생성할 수 있습니다. ACoL의 장점은 주로 두 가지입니다: 1) 엔드투엔드 방식으로 학습될 수 있다; 2) 동적 삭제가 상대 분류기가 보완적인 객체 영역을 더 효과적으로 발견할 수 있도록 합니다. 다양한 실험에서 본 ACoL 접근법의 우수성을 입증하였습니다. 특히 ILSVRC 데이터셋에서 Top-1 위치 오차율은 45.14%로, 이는 새로운 최고 기록(state-of-the-art)입니다.注释:- "semantic interest" 翻译为 "의미上有Interest(관심)"，其中“有Interest”部分用括号标注原文，以确保信息完整。- “state-of-the-art” 翻译为 “최고 기록”，并在后面用括号标注原文。