초록
CNN은 그림자 탐지 분야에서 놀라운 성과를 거두었지만, 어두운 비그림자 영역과 비교적 밝은 그림자 영역에서는 오류를 범하기 쉽고, 밝기 변화에 취약하다는 문제가 있다. 이러한 두 가지 현상은 깊은 그림자 탐지 모델이 강한 밝기 신호(intensity cue)에 크게 의존하고 있음을 보여주며, 이를 우리는 '밝기 편향(intensity bias)'이라고 지칭한다. 본 논문에서는 이러한 밝기 편향을 완화하기 위해 새로운 특징 분해 및 재가중 방식을 제안한다. 이 방식은 자기지도(self-supervision)를 통해 다수준 통합 특징을 밝기 변화에 민감한 성분과 밝기 변화에 무관한 성분으로 분해한다. 이러한 두 유형의 특징을 재가중함으로써, 본 방법은 각각의 잠재적 의미에 대한 주의를 재배치하고, 두 성분을 균형 있게 활용할 수 있다. 세 가지 대표적인 데이터셋에서 실시한 광범위한 실험 결과, 제안하는 방법이 최신 기술 수준의 그림자 탐지기보다 우수한 성능을 보임을 확인하였다.