초록
더 정교하고 데이터 의존적인 방법이 등장했음에도 불구하고, 부스팅된 결정 트리(Boosted Decision Trees)는 빠른 강체 물체 탐지에서 여전히 뛰어난 성능을 보이며 다양한 데이터셋에서 최상의 정확도를 달성하고 있다. 그러나 대부분의 부스팅 탐지기는 직교(단일 특성) 분할을 사용하는 결정 트리를 활용하며, 이로 인해 생성되는 결정 경계의 구조는 데이터의 자연스러운 위상 구조와 잘 맞지 않을 수 있다. 특히 특성 간 상관관계가 높은 경우, 다중 특성 분할을 허용하는 기울기(Oblique) 결정 트리는 더 효과적일 수 있다. 다만 기울기 분할을 사용할 경우 계산 비용이 상당히 증가한다. 최근 HOG 특징의 판별적 비상관화(Discriminative Decorrelation)에 관한 연구에 영감을 받아, 우리는 국소적 이웃 내에서 상관관계를 제거하는 효율적인 특징 변환 기법을 제안한다. 그 결과, 과잉 완전(Overcomplete)하지만 국소적으로 비상관된 표현이 생성되며, 이는 직교 결정 트리와 함께 사용하기에 이상적인 조건을 제공한다. 실제로 본 연구에서 제안한 국소적 비상관 특징을 사용한 직교 트리는 원래 특징에 대해 기울기 트리를 학습하는 것보다 훨씬 낮은 계산 비용으로 더 뛰어난 성능을 보인다. 전체적인 정확도 향상은 매우 뚜렷하다. 캘텍 보행자 데이터셋(Caltech Pedestrian Dataset)에서 기존 최고 성능 대비 오류 탐지(false positives)를 거의 10배까지 감소시켰다.