주목도 기반 동적 그래프 컨볼루션 네트워크를 이용한 다중 라벨 이미지 인식

최근 연구에서는 다중 라벨 이미지 인식의 인식 정확도를 향상시키기 위해 그래프 컨볼루션 네트워크(GCN)를 활용하여 라벨 의존성을 모델링하는 경우가 많습니다. 그러나 학습 데이터의 라벨 공현 가능성을 계산하여 그래프를 구성하면, 특히 테스트 이미지에 우연히 공현되는 객체가 존재할 때 모델의 일반화 능력이 저하될 수 있습니다. 우리의 목표는 이러한 편향을 제거하고 학습된 특성의 강건성을 향상시키는 것입니다. 이를 위해 우리는 각 이미지를 위한 특정 그래프를 동적으로 생성하기 위한 주의 기반 동적 그래프 컨볼루션 네트워크(ADD-GCN)를 제안합니다. ADD-GCN은 의미 주의 모듈(SAM)에 의해 생성된 콘텐츠 인식 카테고리 표현 간의 관계를 모델링하기 위해 동적 그래프 컨볼루션 네트워크(D-GCN)를 채택합니다. 공개된 다중 라벨 벤치마크에서 수행한 광범위한 실험 결과, 우리의 방법론이 효과적임을 입증하였습니다. MS-COCO, VOC2007, 그리고 VOC2012에서 각각 85.2%, 96.0%, 95.5%의 mAP(mean Average Precision) 값을 달성하였으며, 현존하는 최신 방법론들보다 명확한 차이로 성능을 뛰어넘었습니다. 모든 코드는 https://github.com/Yejin0111/ADD-GCN에서 확인할 수 있습니다.