적대적 학습을 통한 강건하고 정확한 객체 탐지

데이터 증강은 고성능 딥 이미지 분류기 학습에 있어 사실상의 필수 구성 요소가 되었지만, 객체 탐지 분야에서는 그 잠재력이 여전히 충분히 탐구되지 않았다. 최첨단 객체 탐지기 대부분이 사전 학습된 분류기의 미세 조정(fine-tuning)에 이익을 얻는 점에 주목하여, 본 연구에서는 다양한 데이터 증강 기법이 분류기에서 얻는 성능 향상이 객체 탐지로 어떻게 전이되는지를 처음으로 조사하였다. 그 결과는 유감스럽게도, 정확도나 강건성 측면에서 미세 조정 이후에는 이러한 성능 향상이 크게 감소하는 것으로 나타났다. 본 연구는 이에 반해, 객체 탐지기의 미세 조정 단계를 적대적 예제(adversarial examples)를 탐색함으로써 증강하는 방식을 제안한다. 이는 모델에 종속적인 데이터 증강으로 볼 수 있다. 제안하는 방법은 탐지기의 분류기 및 위치 추정 브랜치에서 유래한 강력한 적대적 이미지를 동적으로 선택하고, 탐지기와 함께 진화함으로써 증강 정책이 항상 최신 상태이자 관련성이 있도록 보장한다. 이러한 모델에 종속적인 증강 기법은 AutoAugment과 같은 모델 독립적인 증강 정책(특정 탐지기 기반으로 탐색된)보다 다양한 객체 탐지기로의 일반화 성능이 뛰어나다. 본 방법은 최첨단 EfficientDet 모델의 COCO 객체 탐지 벤치마크에서 mAP 기준으로 +1.1점의 성능 향상을 이끌어냈다. 또한 자연스러운 왜곡에 대한 강건성은 +3.8 mAP, 도메인 이동에 대한 강건성은 +1.3 mAP 향상시키는 효과를 보였다. 모델은 https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md 에서 공개되어 있다.