딥 네거티브 상관학습을 이용한 커뮤니티 카운팅

딥 컨볼루션 네트워크(ConvNets)는 여러 컴퓨터 비전 작업에서 예전에 없던 높은 성능을 달성하였다. 그러나 단일 이미지에서 사람 밀도를 추정하는 작업에 대한 적용은 여전히 초기 단계에 있으며, 심각한 과적합 문제에 직면해 있다. 본 연구에서는 깊은 음의 상관관계 학습(Negative Correlation Learning, NCL)을 통해 일반화 능력이 뛰어난 특징을 생성하는 새로운 학습 전략을 제안한다. 구체적으로, 내재적인 다양성을 효과적으로 관리함으로써 상호 상관관계가 낮은 회귀 모델의 집합을 깊이 있게 학습함으로써 우수한 일반화 성능을 갖춘 특징을 추출한다. 본 연구에서 제안하는 방법은 '상관관계 제거 컨볼루션 네트워크(D-ConvNet)'라 명명되며, 엔드 투 엔드 학습이 가능하고 백본으로 사용되는 완전 컨볼루션 네트워크 아키텍처에 독립적이다. 매우 깊은 VGGNet 및 본 연구자가 자체 설계한 네트워크 구조를 대상으로 실시한 광범위한 실험 결과, D-ConvNet은 여러 최첨단 기법들과 비교해 뛰어난 성능을 보였다. 본 연구의 구현 코드는 https://github.com/shizenglin/Deep-NCL 에 공개될 예정이다.