Zigzag Learning for Weakly Supervised Object Detection 약한 지도 하에서의 객체 검출을 위한 지그재그 학습

본 논문은 훈련 단계에서 이미지 레벨 감독만을 사용하는 약간의 지도를 받은 객체 검출 문제를 다룹니다. 기존 접근 방식들은 전체 이미지를 한 번에 모델에 학습시켜, 도입된 거짓 양성 예제로 인해 부분 최적점에 갇힐 가능성이 높았습니다. 이와 달리, 우리는 신뢰할 수 있는 객체 인스턴스를 동시에 발견하고 초기 시드에 대한 과적합을 방지하기 위한 사선(锯齿状) 학습 전략을 제안합니다. 이를 위해 먼저 목표 객체가 포함된 이미지의 위치 결정 난이도를 자동으로 측정하고 순위 매기기 위한 기준인 평균 에너지 축적 점수(mEAS)를 개발하였습니다. 이 기준에 따라 난이도가 점차 증가하는 예제들을 통해 검출기를 단계적으로 학습시키는 것입니다. 이렇게 하면 모델은 쉽운 예제들로 미리 준비되어 더 어려운 예제들로부터 학습할 수 있으며, 따라서 더 강력한 검출 능력을 보다 효율적으로 획득할 수 있습니다. 또한, 초기 샘플에 대한 과적합을 피하기 위해 고급 컨볼루션 특징 맵 위에서 새로운 마스킹 정규화 전략을 소개합니다. 이 두 모듈은 신뢰할 수 있는 객체 인스턴스를 발견하려는 단계적 학습과 마스킹 정규화가 객체 인스턴스를 적절히 찾는 난이도를 증가시키는 사선(锯齿状) 학습 프로세스를 구성합니다. 우리는 PASCAL VOC 2007 데이터셋에서 47.6%의 mAP를 달성하여 현행 최고 성능을 크게 초월하였습니다.注: "사선(锯齿状)" 是指“zigzag”，这里保留了中文原文的括号标注以确保信息完整。如果不需要中文标注，可以直接使用“사선”或者“거치형”。