중요 물체 탐지를 촉진하기 위한 학습

중요한 물체의 범주와 형태는 이미지마다 다르기 때문에, 중요도 탐지는 이미지 특유의 작업입니다. 대규모 중요도 훈련 데이터의 부족으로 인해 선행 학습이 있는 심층 신경망(DNN)을 사용하여 이미지 특유의 중요도 단서를 정확하게 포착하는 것이 어렵습니다. 이 문제를 해결하기 위해, 우리는 기존 중요도 탐지기를 촉진하기 위한 제로샷 학습 문제를 설정합니다. 구체적으로, DNN은 중요한/배경 영역의 픽셀과 속성을 동일한 메트릭 공간으로 매핑하는 임베딩 함수로 훈련되며, 이 공간에서 이미지 특유의 분류기가 픽셀을 분류하도록 학습됩니다. 이미지 특유의 작업은 분류기에 의해 수행되므로, DNN 임베딩은 일반적인 특징 추출기의 역할을 효과적으로 수행합니다. 제한된 데이터를 사용하여 새로운 인식 작업으로 학습을 전이하는 것과 비교할 때, 이 공식화는 DNN이 작은 데이터에서 더 효과적으로 학습하도록 합니다. 다섯 개의 데이터 세트에 대한 광범위한 실험 결과, 우리의 방법이 기존 방법의 정확성을 크게 향상시키고 최첨단 접근 방식과 비교할 때 유리하다는 것을 보여줍니다.