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.
To Another Language
from source content
arxiv.org
Djupare frågor