객체 탐지에서 맥락 정보의 정량화 및 전달

맥락은 객체 탐지의 불확실성을 줄이는 데 중요합니다. 그러나 맥락 모델링은 서로 다른 이미지에서 대상 객체 탐지와 관련된 다양한 정도의 맥락 정보가 공존하는 경우가 많기 때문에 어려운 문제가 됩니다. 따라서 목표 객체 탐지를 돕기 위해 가장 효과적인 맥락 정보를 자동으로 정량화하고 선택하는 맥락 모델을 개발하는 것이 중요합니다. 그럼에도 불구하고, 맥락 정보의 다양성은 견고한 맥락 모델을 학습하려면 대상 객체 외관 모델을 학습하는 것보다 더 큰 훈련 세트를 필요로 하며, 이는 실제로 제공되지 않을 수 있습니다. 이 작업에서는 사전 장면 분할이나 맥락 주석 없이 새로운 맥락 모델링 프레임워크를 제안합니다. 다양한 유형의 맥락 정보를 표현하기 위해 극좌표 기하학적 맥락 기술자를 형성합니다. 맥락을 정량화하기 위해, 우리는 판별적 맥락 추론 방법을 통해 맥락 정보의 유용성을 직접적이고 명시적으로 평가하고 측정하기 위한 새로운 최대 여유 맥락(MMC) 모델을 제안합니다. 또한 제한된 데이터로 맥락 학습의 문제를 해결하기 위해, 두 객체 범주가 매우 다른 시각적 외관을 가질 수 있지만, 그들의 맥락과/또는 맥락 정보가 목표 객체를 비목표 객체와 구별하는 데 도움이 되는 방식에서 유사성이 있을 수 있다는 관찰을 기반으로 하는 전이 학습 아이디어를 활용합니다. 이를 위해, 소스 객체 클래스의 훈련 샘플을 활용하여 목표 객체 클래스의 맥락 모델 학습을 개선하는 두 개의 새로운 맥락 전이 학습 모델을 제안합니다. PASCAL VOC2005 및 VOC2007 데이터 세트, i-LIDS 데이터 세트에서 추출한 수하물 탐지 데이터 세트, 및 야외 감시 영상을 기반으로 한 차량 탐지 데이터 세트에서 실험을 수행했습니다. 우리의 결과는 제안된 모델이 맥락 정보를 정량화하고 전달하는 데 효과적임을 검증하며, 관련된 대안 맥락 모델보다 성능이 우수함을 보여줍니다.