Core Concepts
오픈셋 반지도 객체 탐지 문제를 해결하기 위해 반지도 아웃라이어 필터링 방법과 임계값 없는 이중 경쟁 OOD 헤드를 제안하여 성능을 향상시킴
Abstract
이 논문은 실험 데이터에 존재하는 오픈셋 문제를 해결하여 반지도 객체 탐지 성능을 향상시키는 방법을 제안한다.
반지도 아웃라이어 필터링 방법:
레이블된 데이터와 레이블되지 않은 데이터를 모두 활용하여 OOD 인스턴스를 더 효과적으로 필터링함
레이블된 데이터에서 ID와 OOD 인스턴스를 구분하고, 레이블되지 않은 데이터에서 생성된 의사 레이블을 ID와 OOD로 구분하여 학습
이중 경쟁 OOD 헤드:
의사 레이블의 오분류 문제를 해결하기 위해 제안됨
두 개의 서브 헤드(긍정 헤드, 부정 헤드)가 경쟁 관계를 형성하여 OOD 인스턴스 필터링 성능을 향상시킴
임계값 없이 ID와 OOD를 구분할 수 있음
온라인 엔드-투-엔드 학습 프레임워크:
제안 방법은 기존 오프라인 방식보다 효율적이며, 다른 반지도 객체 탐지 프레임워크에도 적용 가능
실험 결과, 제안 방법은 다양한 벤치마크에서 최신 성능을 달성하였다.
Stats
레이블된 데이터와 레이블되지 않은 데이터를 모두 활용하여 OOD 인스턴스를 효과적으로 필터링할 수 있다.
의사 레이블의 오분류 문제를 해결하기 위해 이중 경쟁 OOD 헤드를 제안하였으며, 임계값 없이 ID와 OOD를 구분할 수 있다.
제안 방법은 온라인 엔드-투-엔드 학습이 가능하며, 다른 반지도 객체 탐지 프레임워크에도 적용 가능하다.
Quotes
"오픈셋 반지도 객체 탐지(OSSOD) 작업은 실제 오픈셋 레이블되지 않은 데이터 세트를 활용하여 반지도 객체 탐지(SSOD)를 수행한다."
"OOD 인스턴스를 구분하고 필터링하는 것이 OSSOD의 주요 과제이다. 이는 OOD 인스턴스가 성능을 저하시키기 때문이다."
"제안 방법은 온라인 엔드-투-엔드 학습이 가능하며, 다른 SSOD 프레임워크에도 적용할 수 있다."