에너지 기반 모델을 이용한 딥 확률적 회귀

딥러닝 기반 분류는 일반적으로 표준화된 접근 방식을 사용하지만, 회귀 문제에서는 다양한 기법이 활용된다. 컴퓨터 비전 분야에서 특히 인기 있는 기법 중 하나는 신뢰도 기반 회귀(confidence-based regression)이다. 이 방법은 각 입력-타겟 쌍 (x,y)에 대해 신뢰도 값을 예측하는 방식으로, 성과가 뛰어나지만 중요한 작업에 따라 달라지는 설계 선택이 필요하며, 예측된 신뢰도 값은 자연스러운 확률적 의미를 갖지 못한다는 한계가 있다. 본 연구에서는 이러한 문제를 해결하기 위해 명확한 확률적 해석을 갖는 일반적이고 개념적으로 단순한 회귀 방법을 제안한다. 제안된 접근법에서는 입력 x에 조건부로 주어진 타겟 y의 밀도 함수 p(y|x)를 에너지 기반 모델(energy-based model)로 구성하고, 딥 뉴럴 네트워크를 사용하여 (x,y)로부터 정규화되지 않은 밀도를 예측한다. 이 p(y|x) 모델은 몬테카를로 샘플링을 이용해 근사한 음의 로그 가능도(negative log-likelihood)를 직접 최소화함으로써 학습된다. 우리는 컴퓨터 비전 분야의 네 가지 회귀 과제에 대해 포괄적인 실험을 수행하였으며, 제안한 방법은 직접 회귀뿐만 아니라 다른 확률적 및 신뢰도 기반 방법보다 우수한 성능을 보였다. 특히 COCO 데이터셋에서 객체 탐지 과제에서 Faster-RCNN 대비 2.2%의 AP(평균 정확도) 향상을 달성하였으며, 경계 박스 추정에 적용했을 때 시각 추적(task)에서도 새로운 최고 성능을 기록하였다. 신뢰도 기반 방법과 달리, 본 방법은 나이 추정 및 헤드포즈 추정과 같이 더 일반적인 과제에도 직접 적용 가능함이 입증되었다. 코드는 https://github.com/fregu856/ebms_regression 에서 공개되어 있다.