SeqNet: 전이학습을 활용한 일회성 교통표지 인식을 위한 순차적 네트워크

교통 표지 인식 작업에서 합성 기준 이미지를 관찰하여 도로 표지를 인식하는 능력은 인간과 유사한 능력으로, 일회 학습(algorithm)을 통해 수행할 수 있다. 일회 객체 인식은 지원 이미지(지원 샘플)를 기반으로 쿼리 예제를 분류하는 깊은 신경망에 있어 도전적인 과제이다. 특히 지원 샘플과 쿼리 샘플 사이에 도메인 전이(domain shift)가 발생할 경우 더욱 어려워진다. 분포가 다른 미지의 도메인에 대해 깊은 모델의 일반화 능력은 일회 인식에서 또 다른 문제점이다. 본 연구는 위와 같은 문제들을 극복하기 위해 새로운 심층 네트워크인 SeqNet을 제안한다. 현재까지의 연구 결과를 종합적으로 고려할 때, 본 연구는 일회 교통 표지 인식 및 일회 로고 식별에서 최첨단 모델들을 모두 능가하는 뛰어난 성능을 보였다. 제안한 SeqNet 모델은 테스트 데이터에 대한 추가적인 모델 미세조정(fine-tuning) 없이도 미관측 도메인으로 일반화할 수 있다. 또한, 관련성이 없지만 규모가 큰 도메인에서 전이된 지식을 활용하면 네트워크 파라미터를 감소시켜 모델 크기를 줄일 수 있음을 보여주었다. 대규모 심층 모델로부터 전이된 지식의 힘을 활용함으로써 SeqNet은 더 작아졌으며, 경쟁 모델들보다 약 6배 적은 파라미터를 가진다. SeqNet 아키텍처의 작고 경량화된 특성은 스마트 차량을 비롯한 다양한 자원 제약 환경에서의 응용 가능성을 높인다. 실험 결과에 따르면, 제안한 SeqNet의 성능은 일회 분류 작업에서 최대 20%의 정확도 향상과 이미지 검색 작업에서 최대 30%의 AUC(곡선 아래 면적) 향상을 기록하며 뚜렷한 개선을 보였다.