본 연구에서는 추가적인 파인튜닝 없이 자기지도(self-supervised)로 사전학습된 모델을 활용하여 모델의 예측을 설명할 수 있는 새로운 비지도 객체 локalization 방법을 제안한다. 기존의 비지도 및 자기지도 객체 로컬라이제이션 방법들은 종종 사전학습 모델의 클래스 비구분(class-agnostic) 활성화 맵 또는 자기-유사성 맵을 활용한다. 이러한 맵들은 로컬라이제이션에 유용한 정보를 제공할 수 있음에도 불구하고, 모델이 어떻게 예측을 수행하는지 설명하는 능력은 제한적이어서 여전히 어려운 과제로 남아 있다. 본 논문에서는 훈련 데이터의 점들에 대한 representer 값들의 선형 결합으로 모델의 예측을 표현할 수 있는 representer point selection에 기반한 단순하면서도 효과적인 비지도 객체 로컬라이제이션 방법을 제안한다. 모델의 예측에 가장 중요한 예시들인 representer point를 선택함으로써, 관련 예시와 그 중요도를 함께 제공하여 모델이 전경(foreground) 객체를 어떻게 예측하는지에 대한 통찰을 제공할 수 있다. 우리의 방법은 다양한 데이터셋에서 기존의 최신 비지도 및 자기지도 객체 로컬라이제이션 방법을 유의미한 격차로 능가하며, 최근의 약지도(weakly supervised) 및 소수샷(few-shot) 방법들보다도 성능이 우수하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.