불확실성에 기반한 RGB-D 주요성 검출

우리는 데이터 라벨링 과정에서 불확실성을 활용하여 RGB-D 주요성 검출을 수행하는 첫 번째 확률적 프레임워크를 제안합니다. 기존의 RGB-D 주요성 검출 모델들은 이 작업을 단일 주요성 맵을 예측하는 점 추정 문제로 다루며, 결정론적인 학습 파이프라인을 따릅니다. 그러나 우리는 결정론적인 해결책이 상대적으로 부적절하다고 주장합니다. 주요성 데이터 라벨링 과정에서 영감을 얻어, 우리는 라벨링 변동성을 모델링하기 위해 잠재 변수를 사용하는 확률적 RGB-D 주요성 검출을 달성하기 위한 생성 아키텍처를 제안합니다. 우리의 프레임워크는 두 가지 주요 모델로 구성됩니다: 1) 입력 이미지와 잠재 변수를 확률적 주요성 예측으로 매핑하는 생성 모델, 그리고 2) 잠재 변수를 실제 또는 근사事後分布에서 샘플링하여 점진적으로 업데이트하는 추론 모델입니다.생성 모델은 인코더-디코더 주요성 네트워크입니다. 잠재 변수를 추론하기 위해, 우리는 두 가지 다른 솔루션을 소개합니다: i) 잠재 변수의 사후 분포를 근사하기 위한 추가 인코더가 있는 조건부 변분 오토인코더(Conditional Variational Auto-encoder); ii) 실제 사후 분포에서 직접 잠재 변수를 샘플링하는 교차 역전파(Alternating Back-Propagation) 기술입니다. 여섯 개의 도전적인 RGB-D 벤치마크 데이터셋에 대한 정성적 및 정량적 결과는 우리의 접근 방식이 주요성 맵의 분포를 학습하는 데 있어 우수한 성능을 보임을 입증합니다. 소스 코드는 우리 프로젝트 페이지(https://github.com/JingZhang617/UCNet)에서 공개적으로 이용 가능합니다.注：在翻译中，“事後分布”被误译为“事后分布”，正确的翻译应为“사후 분포”。以下是修正后的版本：우리는 데이터 라벨링 과정에서 불확실성을 활용하여 RGB-D 주요성 검출을 수행하는 첫 번째 확률적 프레임워크를 제안합니다. 기존의 RGB-D 주요성 검출 모델들은 이 작업을 단일 주요성 맵을 예측하는 점 추정 문제로 다루며, 결정론적인 학습 파이프라인을 따릅니다. 그러나 우리는 결정론적인 해결책이 상대적으로 부적절하다고 주장합니다. 주요성 데이터 라벨링 과정에서 영감을 얻어, 우리는 라벨링 변동성을 모델링하기 위해 잠재 변수를 사용하는 확률적 RGB-D 주요성 검출을 달성하기 위한 생성 아키텍처를 제안합니다. 우리의 프레임워크는 두 가지 주요 모델로 구성됩니다: 1) 입력 이미지와 잠재 변수를 확률적 주요성 예측으로 매핑하는 생성 모델, 그리고 2) 잠재 변수를 실제 또는 근사 사후 분포에서 샘플링하여 점진적으로 업데이트하는 추론 모델입니다.생성 모델은 인코더-디코더 주요성 네트워크입니다. 잠재 변수를 추론하기 위해, 우리는 두 가지 다른 솔루션을 소개합니다: i) 잠재 변수의 사후 분포를 근사하기 위한 추가 인코더가 있는 조건부 변분 오토인코더(Conditional Variational Auto-encoder); ii) 실제 사후 분포에서 직접 잠재 변수를 샘플링하는 교차 역전파(Alternating Back-Propagation) 기술입니다. 여섯 개의 도전적인 RGB-D 벤치마크 데이터셋에 대한 정성적 및 정량적 결과는 우리의 접근 방식이 주요성 맵의 분포를 학습하는 데 있어 우수한 성능을 보임을 입증합니다. 소스 코드는 우리 프로젝트 페이지(https://github.com/JingZhang617/UCNet)에서 공개적으로 이용 가능합니다.