Weakly-supervised object localization (WSOL)이란- - 객체의 위치정보 없이 학습한 모델을 활용하여 객체의 위치정보를 추론하는 기술 - 이미지 클래스 레이블을 활용한 이미지분류기를 활용하는 것이 최근 5년간의 세계적 추세 - 보다 구체적으로는, 학습 단계에서 클래스 레이블로 학습된 합성곱 네트워크를 활용 - 추론 단계에서 합성곱 네트워크가 이미지의 어느 부분을 보고 판단하였는지 분석 - 분석된 결과를 기반으로 객체의 위치 검출 수행 기존 WSOL 기술의 한계점 및 최신 연구 현황 - 객체의 위치 정보 없이 학습하기 때문에 가능한 해가 여러개인 불량설정성 문제 발생 - 이로 인해 객체의 특징적 국소부위만 검출하거나 배경요소를 함께 검출하는 문제 발생 - 기존 제안된 연구 기술들은 대부분 문제의 단면만을 해결하고자 하고 있음 - 최근 5년간 불량설정성 문제를 근본적으로 해결하는 접근법은 매우 드문 상황 제안 방법 #1: 네거티브 샘플을 활용한 새로운 WSOL 학습 방식 - 핵심 아이디어: 객체에 대한 정보만 분류기 학습에 활용하는 것이 아니라, 객체가 없다는 정보를 함께 모델 학습에 활용하여 객체의 위치를 보다 정확히 학습할 수 있도록 유도 - 픽셀 단위 레이블을 활용하는 것이 아니라는 점에서 완전지도학습에서 활용하는 레이블링보다 더 저렴하다는 장점이 있으면서도 이를 통해 불량설정성 문제를 직접적으로 완화할 수 있으므로 보다 보다 근본적인 문제 해결이 가능하리라 예상됨 제안 방법 #2: 네거티브 샘플 기반 자가대조기법을 활용한 작은 객체 인식 기술 - 핵심 아이디어: 작은 객체가 존재한다고 추정되는 위치를 파악한 후, 해당 위치를 확대하여 다시 분류기에 입력하여 작은 객체임에도 불구하고 마치 큰 객체인 것처럼 분류기가 볼 수 있도록 하는 것 - 구체적으로는 원본 이미지와 줌-인된 이미지로부터 추출된 각각의 위치인식지도를 양의 쌍(positive pair)로 설정하고, 원본 위치인식지도와 줌-인된 이미지로부터 추출된 위치인식지도의 반전값을 음의 쌍(negative pair)로 설정하여 위 방법 #1로부터 더욱 심화·발전된 네거티브샘플 기반 자가대조기법 목적함수를 구축하고자 하며 이로부터 작은 객체에 대한 WSOL 기술의 인식성능을 크게 향상시킬 수 있을 것이라 기대