모호성에 강한 밀도 객체 검출을 위한 준지도 학습

기본적인 준지도 객체 검출(SSOD) 기술을 사용할 때, 단일 단계 검출기는 두 단계 클러스터링에 비해 일반적으로 제한된 성능 향상을 얻습니다. 실험을 통해 이 문제의 근원이 두 가지 모호성에 있음을 발견했습니다: (1) 선택 모호성으로, 선택된 가짜 라벨이 덜 정확하며, 이는 분류 점수가 위치화 질을 적절히 나타내지 못하기 때문입니다. (2) 할당 모호성으로, 가짜 라벨 할당 과정에서 샘플이 부적절한 라벨과 매칭되는 경우가 있으며, 이는 누락된 객체와 부정확한 가짜 박스에 의해 잘못 안내되는 전략 때문입니다. 이러한 문제를 해결하기 위해, 우리는 단일 단계 검출기를 위한 모호성 저항형 준지도 학습(ARSL) 방법을 제안합니다.구체적으로, 선택 모호성을 완화하기 위해 Joint-Confidence Estimation(JCE)를 제안하여 분류와 위치화의 질을 함께 측정합니다. 할당 모호성에 대해서는 Task-Separation Assignment(TSA)를 도입하여 신뢰할 수 없는 가짜 박스 대신 픽셀 수준 예측을 기반으로 라벨을 할당합니다. 이 방법은 "분할 및 정복" 전략을 사용하여 분류와 위치화 작업에 대해 각각 양성을 활용하며, 할당 모호성에 대해 더 강건하게 작동합니다. 포괄적인 실험 결과 ARSL이 모호성을 효과적으로 완화하고 MS COCO 및 PASCAL VOC에서 최고 수준의 SSOD 성능을 달성함을 보여주었습니다. 코드는 https://github.com/PaddlePaddle/PaddleDetection에서 확인할 수 있습니다.