PCL: 제안 클러스터 학습을 이용한 약간의 지도를 받은 객체 검출

약한 지도 객체 검출(Weakly Supervised Object Detection, WSOD)은 이미지 레벨 주석만을 사용하여 객체 검출기를 훈련시키는 것으로, 객체 인식 분야에서 점점 더 중요한 역할을 하고 있습니다. 본 논문에서는 새로운 딥 네트워크를 제안합니다. 이전의 네트워크들은 다중 인스턴스 학습(Multiple Instance Learning, MIL)을 사용하여 객체 검출 문제를 이미지 분류 문제로 전환하는 반면, 우리의 전략은 반복 과정을 통해 세부적인 인스턴스 분류기를 학습하기 위해 제안 클러스터를 생성합니다. 같은 클러스터 내의 제안들은 공간적으로 인접하며 동일한 객체와 관련되어 있습니다. 이는 네트워크가 전체 객체 대신 부분적으로 집중하는 것을 방지합니다.우리는 먼저 제안 클러스터를 기반으로 인스턴스 분류기 개선을 위해 객체 또는 배경 라벨을 직접 할당할 수 있음을 보입니다. 그런 다음, 각 클러스터를 작은 새 백(bag)으로 처리하면 직접 라벨 할당 방법보다 모호성이 적다는 것을 보여줍니다. 반복적인 인스턴스 분류기 개선은 컨벌루션 신경망에서 여러 스트림을 사용하여 온라인으로 구현되며, 첫 번째 스트림은 MIL 네트워크이고 나머지는 앞서가는 하나에 의해 감독되는 인스턴스 분류기 개선에 사용됩니다.PASCAL VOC, ImageNet 검출, MS-COCO 벤치마크에서 WSOD를 위한 실험을 수행했습니다. 결과는 우리의 방법이 이전 최고 수준의 성능보다 크게 우수함을 보여주었습니다.