약한 감독 하의 객체 탐지를 위한 객체 인스턴스 마이닝

최근 몇 년간 이미지 수준의 레이블만을 사용하는 약한 감독 객체 탐지(Weakly Supervised Object Detection, WSOD)에 대한 관심이 점차 증가하고 있다. 기존의 다중 예제 학습(Multiple Instance Learning, MIL) 기반 접근법은 각 카테고리에 대해 이미지 내에서 가장 구분력 있는 객체만을 학습하려는 경향이 있어 국소 최적점에 빠지기 쉬우며, 이로 인해 객체 인스턴스를 누락시키는 문제가 발생하여 WSOD 성능이 저하된다. 이러한 문제를 해결하기 위해 본 논문은 추가적인 레이블 없이 공간적 및 외관 그래프를 통한 정보 전파를 도입하여, 각 이미지 내에 존재할 수 있는 모든 객체 인스턴스를 탐지하는 엔드투엔드 객체 인스턴스 마이닝(Object Instance Mining, OIM) 프레임워크를 제안한다. 반복 학습 과정에서 동일 클래스 내에서 구분력이 낮은 객체 인스턴스도 점차 탐지되어 학습에 활용될 수 있다. 또한, 객체 인스턴스의 더 큰 부분을 학습할 수 있도록 객체 인스턴스 재가중 손실(Instance Reweighted Loss)을 설계하여 성능을 더욱 향상시켰다. 공개 데이터베이스인 VOC 2007 및 VOC 2012에서 수행한 실험 결과를 통해 제안된 방법의 효과성을 입증하였다.