초록
시각적 객체 인식 작업에서는 조명 변화가 객체의 외관에 크게 영향을 미치며, 이로 인해 딥 신경망 기반의 인식 모델이 오류를 범할 수 있다. 특히 희귀한 조명 조건의 경우 충분한 학습 샘플을 수집하는 것이 시간과 비용 측면에서 매우 비효율적일 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 조명 특징을 이미지에서 분리하는 새로운 신경망 아키텍처인 Separating-Illumination Network(Sill-Net)을 제안한다. Sill-Net은 이미지에서 조명 특징을 학습하여 분리하고, 학습 과정에서는 분리된 조명 특징을 특징 공간에서 활용하여 학습 샘플을 증강한다. 실험 결과, 제안한 방법은 여러 객체 분류 벤치마크에서 기존 최고 성능 기법들을 상회하는 성능을 보였다.