이 논문은 개방형 세계 환경에서 객체 제안 네트워크의 성능을 향상시키기 위한 방법을 제안한다. 기존의 객체 제안 네트워크는 폐쇄형 세계 가정 하에서 학습되어 중요한 새로운 객체를 탐지하는 데 어려움이 있다.
저자들은 Tunable Hybrid Proposal Network (THPN)을 설계했다. THPN은 분류 기반 객체성과 위치 기반 객체성을 동시에 활용하여 ID 객체와 OOD 객체를 모두 효과적으로 탐지할 수 있다. 또한 자기 훈련 기법과 동적 손실 함수를 사용하여 성능을 향상시켰다.
THPN은 단일 하이퍼파라미터 λCLS를 통해 ID 객체와 OOD 객체 탐지 간의 균형을 조절할 수 있다. 이를 통해 다양한 개방형 세계 시나리오에 맞게 모델의 동작을 최적화할 수 있다.
저자들은 기존 방법들과 비교하여 THPN이 다양한 개방형 세계 과제에서 우수한 성능을 보임을 실험적으로 입증했다. 특히 훈련 클래스 다양성 감소, 부분 레이블링, 선박 탐지 등의 과제에서 THPN이 강점을 보였다.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Matthew Inka... a las arxiv.org 04-18-2024
https://arxiv.org/pdf/2208.11050.pdfConsultas más profundas