클래스별 평균 전경 맵을 이용한 약 지도학습 기반 객체 로컬라이제이션 (Weakly Supervised Object Localization Using Class-Specific Foreground Maps)

서지정보

· 발행기관 : 한국방송∙미디어공학회
· 수록지 정보 : 방송공학회 논문지 / 28권 / 4호 / 391 ~ 399페이지
· 저자명 : 박세진, 이소은, 강병근

초록

최근 학습을 위한 레이블링 비용을 줄이기 위해 약 지도학습 기반의 인공지능 기술들이 많은 관심을 받고 있다. 특히, 약 지도학습 기반 객체 로컬라이제이션은 학습 단계에서 객체 위치정보 없이 학습하지만, 추론 단계에서 위치를 추정할 수 있어서 더욱 많은 관심을 받고 있다. 이는 웹에서 손쉽게 가져온 영상들로 학습할 수 있어 더욱 많은 관심을 받고 있다. 하지만 약 지도학습 기반으로 객체 로컬라이제이션을 학습하면, 영상 단위의 클래스 레이블만 사용하기에 객체의 특징적인 영역만 현지화하는 한계가 존재한다. 따라서, 본 논문에서는 클래스별 평균 전경 맵을 활용한 학습 방법을 제안하며 이를 활용하면 로컬라이제이션 정확도를 높일 수 있음을 보인다. 또한, 기존의 클래스 활성화 맵을 정규화하는 방법을 개선하여 추가로 정확도를 개선할 수 있음을 보인다. 실험은 약 지도학습 기반 로컬라이제이션에서 주로 사용되는 CUB200 데이터 세트와 ImageNet 데이터 세트를 사용하여 제안하는 방법의 효율성을 검증하였다.

영어초록

Recently, weakly supervised learning-based methods have received significant attention due to their ability to reduce labeling costs. In particular, weakly supervised object localization has become an important research topic as it aims to learn object localization without the need for precise location labels. Consequently, it can be trained using easily obtainable image data from online sources. However, since it is trained solely using image-level class labels, it has limitations in terms of localization accuracy, as it usually identify only the most distinctive regions of the object. To address this issue, we propose a training strategy that incorporates class-specific foreground maps to improve localization accuracy. Additionally, we present an enhanced method for normalizing class activation maps to further enhance localization accuracy. The effectiveness of the proposed method is validated using the publicly available CUB200 dataset and ImageNet dataset.

참고자료

· 없음