FDCNet: 클래스 증가형 약한 감독 하에서 객체 위치 추정을 위한 특성 이동 보상 네트워크

본 연구는 클래스 증가형 약간 감독된 객체 위치 추정(Class-Incremental Weakly Supervised Object Localization, CI-WSOL) 문제를 다룹니다. 이 작업의 목표는 이미지 레벨 주석만을 사용하여 새로운 클래스의 객체 위치를 점진적으로 학습하면서 기존에 학습한 클래스의 위치 추정 능력을 유지하는 것입니다. 이 작업은 중요하며, 객체 위치 추정이 다양한 응용 분야에서 필수적이지만, 모든 새롭게 도입되는 데이터에 대해 바운딩 박스를 주석화하는 것은 비용이 많이 듭니다. 최선의 지식으로서, 우리는 이 문제를 처음으로 다루고 있습니다. 따라서, 먼저 클래스 증가형 분류기의 전략을 적용하여 재앙적 잊힘(catastrophic forgetting)을 완화하는 강력한 베이스라인 방법을 제시합니다. 이러한 전략에는 지식 증류(knowledge distillation), 이전 작업에서 소규모 데이터셋 유지, 코사인 정규화(cosine normalization) 등을 포함합니다. 그 다음으로, 우리는 특성 편향(feature drifts)이 클래스 점수와 위치 맵에 미치는 영향을 보상하기 위한 특성 편향 보상 네트워크(Feature Drift Compensation Network)를 제안합니다. 새로운 작업을 학습하기 위해 네트워크 매개변수를 업데이트하면 특성 편향이 발생하므로, 최종 출력에 대한 보상이 필요합니다. 마지막으로, ImageNet-100과 CUB-200 두 개의 공개 데이터셋을 사용하여 제안된 방법의 성능을 평가하였습니다. 실험 결과는 제안된 방법이 다른 베이스라인 방법들보다 우수함을 입증하였습니다.