LOCL: 로컬라이제이션을 이용한 객체-속성 조합 학습

이 논문은 혼잡하고 더 현실적인 환경에서 객체에 대한 일반화된 조합형 제로샷 학습(Zero-Shot Learning)을 가능하게 하는 LOCL(학습 대상 객체 속성의 위치 기반 조합, Learning Object Attribute Composition using Localization)을 제안한다. 기존 연구에서는 미관측된 객체-속성(OA) 조합 문제에 대해 광범위하게 탐구되어 왔지만, 기존 방법들은 도전적인 시나리오에서 성능이 제한적이다. 이러한 맥락에서 본 연구의 핵심 기여는 약한 감독 환경에서 관심 있는 객체와 속성을 효과적으로 국부화하는 모듈형 접근법을 제시한 점이며, 이는 미관측된 구성 구조에도 견고하게 일반화할 수 있다. 국부화 기술과 조합 분류기의 결합은 현재 공개된 도전적인 데이터셋에서 기존 최고 성능(SOTA) 방법보다 약 12% 향상된 성능을 달성한다. 또한, 본 방법의 모듈성 덕분에 기존의 OA 조합 학습 방법들과 함께 국부화된 특징 추출기를 활용함으로써 기존 방법의 전반적인 성능을 더욱 향상시킬 수 있다.