Min-Entropy 잠재 모델을 이용한 약간의 지도를 받은 객체 검출

약한 감독 하에서의 객체 검출은 이미지 카테고리 감독을 제공받지만 동시에 객체 위치와 객체 검출기를 학습해야 하는 어려운 과제입니다. 약한 감독과 학습 목표 사이의 불일치는 객체 위치에 상당한 무작위성을 도입하고 검출기에 모호성을 초래합니다. 본 논문에서는 약한 감독 하에서의 객체 검출을 위해 최소 엔트로피 잠재 모델(Min-Entropy Latent Model, MELM)을 제안합니다. 최소 엔트로피는 객체 위치를 학습하는 모델로서 기능하며, 학습 중 객체 위치 결정의 무작위성을 측정하는 지표로 사용됩니다. 이 모델은 원칙적으로 학습된 인스턴스들의 분산을 줄이고 검출기의 모호성을 완화하는 것을 목표로 합니다. MELM은 프로포절 클릭 파티션(proposal clique partition), 객체 클릭 발견(object clique discovery), 그리고 객체 위치 결정(object localization)으로 구성된 세 가지 구성 요소로 분해됩니다. MELM은 반복 학습 알고리즘을 통해 최적화되며, 이 알고리즘은 연속 최적화를 활용하여 어려운 비볼록성 문제를 해결합니다. 실험 결과, MELM이 최신 접근 방식들보다 약한 감독 하에서의 객체 검출, 약한 감독 하에서의 객체 위치 결정, 그리고 이미지 분류 성능을 크게 향상시키는 것으로 나타났습니다.