[논문 리뷰] One-Bit Object Detection: On learning to localize objects with minimal supervision.

Hyun Oh Song, Ross Girshick외 4명|arXiv (Cornell University)|2014. 03. 05.

Advanced Neural Network Applications인용 수 12

한 줄 요약

이 논문은 오직 존재 여부를 나타내는 이미지 수준 레이블만을 사용하여 객체를 국소화하는 1비트 객체 검출 방법을 제안한다. 분류 성능이 우수한 부분모듈러 커버와 부드럽게 처리된 잠재 SVM, 그리고 Quasi-Newton 최적화 기법을 결합함으로써, 표준 벤치마크에서 기존 최고 수준의 방법 대비 평균 정밀도(AP)에 약 70%의 상대적 향상을 달성한다.

ABSTRACT

Learning to localize objects with minimal supervision is an important problem in computer vision, since large fully annotated datasets are extremely costly to obtain. In this paper, we propose a new method that achieves this goal with only image-level labels of whether the objects are present or not. Our approach combines a discriminative submodular cover problem for automatically discovering a set of positive object windows with a smoothed latent SVM formulation. The latter allows us to leverage efficient Quasi-Newton optimization techniques. Our experiments demonstrate that the proposed approach provides approximately 70% relative improvement in average precision over the current state of the art on standard benchmark datasets.

연구 동기 및 목표

• 완전히 애너테이션된 객체 검출 데이터셋의 높은 비용 문제를 해결하기 위해, 오직 이미지 수준의 레이블(존재 여부)만으로도 객체 국소화를 가능하게 하기 위해.
• 경계 상자 애너테이션 없이도 관련 객체 윈도우를 자동으로 발견할 수 있는 약한 감독 학습 방법을 개발하기 위해.
• 부분모듈러 최적화와 효율적인 최적화 기법을 활용하여 최소한의 감독 하에서도 국소화 정확도를 향상시키기 위해.
• 존재/부재 레이블만을 사용하여도 기존 최고 수준의 방법을 초월하는 표준 벤치마크에서의 평균 정밀도 성능을 달성하기 위해.

제안 방법

• 이 방법은 이미지 수준 레이블에서 양성 객체 윈도우의 집합을 자동으로 식별하기 위해 분류 성능이 뛰어난 부분모듈러 커버를 사용한다.
• 검출 문제를 부드러운 잠재 SVM로 재정의하여 Quasi-Newton 최적화를 효율적으로 수행할 수 있도록 한다.
• 부드러운 잠재 SVM는 엔드 투 엔드 학습을 가능하게 하면서도, 미분 가능성과 수렴 보장을 유지한다.
• 약한 감독 하에 객체 윈도우 선택과 검출기 파라미터를 동시에 최적화한다.
• 부분모듈러 최적화를 통해 다양하고 고성능의 양성 윈도우 후보를 선택한다.

실험 결과

연구 질문

• RQ1 오직 존재 여부를 나타내는 이미지 수준 레이블만으로도 객체 국소화를 효과적으로 학습할 수 있는가?
• RQ2 약한 감독 하에서 부분모듈러 최적화를 어떻게 활용하여 의미 있는 양성 객체 윈도우를 발견할 수 있는가?
• RQ3 부드러운 잠재 SVM 설정이 최소한의 감독 하에서도 효율적이고 정확한 학습을 가능하게 할 수 있는가?
• RQ4 이 방법은 기존의 약한 감독 객체 검출 방법에 비해 평균 정밀도에서 어느 정도 향상되는가?

주요 결과

• 제안된 방법은 표준 벤치마크 데이터셋에서 현재 최고 수준의 방법 대비 약 70%의 상대적 평균 정밀도(AP) 향상을 달성한다.
• 분류 성능이 뛰어난 부분모듈러 커버의 사용이 이미지 수준 레이블에서의 양성 윈도우 선택 품질을 크게 향상시킨다.
• 부드러운 잠재 SVM 설정은 Quasi-Newton 방법을 통한 효과적인 최적화를 가능하게 하여 수렴성과 성능을 향상시킨다.
• 최소한의 감독 하에서도 강력한 일반화 성능을 보이며, 이전의 약한 감독 기반 검출 방법을 모두 능가한다.