약한 지도 하에서 객체 검출의 불안정성 활용

약한 지도 객체 검출(Weakly Supervised Object Detection, WSOD)은 이미지 레벨 주석만을 사용하여 객체 검출기를 훈련시키는 것을 중점으로 두며, 지도와 목적 사이의 차이로 인해 도전적입니다. 기존의 대부분 접근 방식은 WSOD를 다중 인스턴스 학습(Multiple Instance Learning, MIL) 문제로 모델링합니다. 그러나 우리는 MIL 기반 검출기의 결과가 불안정하다는 점을 관찰하였습니다. 즉, 다른 초기화를 사용할 때 가장 확신 있는 바운딩 박스가 크게 변경됩니다. 우리는 이 불안정성을 측정하기 위한 지표를 도입하여 정량적으로 불안정성을 입증하고, 경험적으로 불안정성의 원인을 분석하였습니다.불안정성이 검출 작업에 해롭다고 보일 수 있지만, 우리는 서로 다른 초기화된 검출기들의 결과를 융합하여 성능을 개선하는 데 활용될 수 있다고 주장합니다. 이 아이디어를 구현하기 위해, 우리는 여러 검출 분지를 갖춘 엔드투엔드 프레임워크를 제안하며, 간단한 융합 전략을 소개합니다. 또한, 검출 분지 간의 차이를 증가시키기 위해 직교 초기화 방법을 제안합니다. 불안정성을 활용함으로써, 우리는 도전적인 PASCAL VOC 2007 및 2012 데이터셋에서 각각 52.6%와 48.0%의 평균 정밀도(mAP)를 달성하였으며, 이는 모두 새로운 최고 수준의 성과입니다.