초록
최근 Barbu 등은 일상생활 속에서의 객체를 포함하는 데이터셋인 ObjectNet을 소개하였다. 이들은 최첨단 객체 인식 모델이 이 데이터셋에서 상당한 성능 저하를 보임을 입증하였다. 이러한 결과가 심층 모델의 일반화 능력에 대한 중요한 함의를 지니고 있다는 점에서, 우리는 이들의 발견을 다시 한 번 검토해보았다. 본 연구에서는 그들의 연구에 존재하는 주요 문제점, 즉 고립된 객체가 아닌 다수의 객체가 포함된 장면에 객체 인식 모델을 적용한 점을 지적한다. 이러한 문제를 해결함으로써, 우리 코드를 사용하면 성능이 약 20~30% 향상됨을 확인하였다. ObjectNet 논문에서 보고된 결과와 비교했을 때, 테스트 시 데이터 증강을 전혀 사용하지 않고도 약 10~15%의 성능 손실을 회복할 수 있음을 관찰하였다. 그러나 Barbu 등과 마찬가지로, 우리는 심층 모델이 이 데이터셋에서 극도로 성능 저하를 겪음을 다시 한번 확인하였다. 따라서 우리는 ObjectNet이 훈련 데이터셋 외부에서 모델의 일반화 능력을 시험하기 위한 여전히 도전적인 데이터셋으로 남아 있다고 판단한다.