일관성 기반 반감독 학습을 활용한 객체 탐지

대규모 데이터셋에서 정밀한 애너테이션은 객체 탐지 성능에 있어 핵심적인 요소이다. 객체 탐지 작업은 성능을 보장하기 위해 수많은 애너테이션된 샘플을 필요로 하지만, 각 샘플 내 모든 객체에 대해 경계 박스(bounding box)를 수작업으로 지정하는 것은 시간이 매우 오래 걸리고 비용도 크게 든다. 이러한 문제를 완화하기 위해, 사용 가능한 레이블 없는 데이터를 효과적으로 활용하여 탐지 성능을 향상시키기 위해 일관성 기반의 반감독 학습 방법(CSD, Consistency-based Semi-supervised learning for object Detection)을 제안한다. 특히, 일관성 제약은 객체 분류뿐만 아니라 객체 위치 추정(localization)에도 적용된다. 또한, 주로 지배적인 배경(baground)이 탐지 성능에 부정적인 영향을 미치는 것을 방지하기 위해 배경 제거(BE, Background Elimination) 기법을 제안한다. 제안한 CSD 방법은 단일 단계(single-stage) 및 이중 단계(two-stage) 탐지기 모두에서 평가되었으며, 실험 결과 본 방법의 효과성이 입증되었다.