초록
주목 메커니즘이 세부적인 시각 인식 작업에서 큰 잠재력을 보여주었습니다. 본 논문에서는 인과 추론을 기반으로 더 효과적인 주목을 학습하기 위한 반사실적 주목 학습 방법을 제시합니다. 대부분의 기존 방법들이 전통적인 우도를 기반으로 시각적 주목을 학습하는 것과 달리, 우리는 반사실적 인과성을 활용하여 주목을 학습하는 방법을 제안합니다. 이는 주목 품질을 측정하는 도구와 학습 과정을 안내하는 강력한 감독 신호를 제공합니다. 구체적으로, 우리는 반사실적 개입을 통해 학습된 시각적 주목이 네트워크 예측에 미치는 영향을 분석하고, 그 영향을 최대화하여 세부적인 이미지 인식에 더 유용한 주목을 학습하도록 네트워크를 격려합니다. 경험적으로, 우리는 주목이 중요한 역할을 하는 다양한 세부적인 인식 작업에서 우리의 방법을 평가하였습니다. 이러한 작업에는 세부적인 이미지 분류, 사람 재식별, 차량 재식별 등이 포함됩니다. 모든 벤치마크에서 일관된 개선이 이루어진 결과는 우리 방법의 유효성을 입증합니다. 코드는 https://github.com/raoyongming/CAL 에서 확인할 수 있습니다.