클래스 간 속성 전이를 통해 보지 못한 객체 클래스를 검출하는 학습

훈련 클래스와 테스트 클래스가 겹치지 않는, 즉 대상 클래스의 훈련 예제가 전혀 없는 객체 분류 문제를 연구합니다. 이러한 환경은 컴퓨터 비전 연구에서 거의 다뤄지지 않았지만, 세상에는 수만 개의 다양한 객체 클래스가 존재하고 그중 소수에 대해서만 이미지 컬렉션이 제작되고 적절한 클래스 라벨이 부착되었기 때문에 예외가 아니라 규칙입니다. 본 논문에서는 속성 기반 분류를 도입하여 이 문제를 해결합니다. 이는 훈련 이미지 대신 사람에 의해 지정된 대상 객체의 고수준 설명에 근거하여 객체를 검출합니다. 설명은 형태, 색상 또는 심지어 지리 정보와 같은 임의의 의미 속성들로 구성됩니다. 이러한 속성들은 특정 학습 과제를 초월하기 때문에, 현재 과제와 관련 없는 이미지 데이터셋에서 미리 학습될 수 있습니다. 이후 새 클래스는 새로운 훈련 단계 없이 속성 표현을 바탕으로 검출될 수 있습니다. 방법 평가 및 해당 분야 연구 촉진을 위해, 인간이 동물 클래스와 85개 의미 속성과 얼마나 강하게 연관시키는지를 나타내는 Osherson의 고전 표에 있는 50개 클래스와 일치하는 30,000장 이상의 동물 이미지로 구성된 대규모 데이터셋 'Animals with Attributes'를 구축했습니다. 실험 결과, 속성 계층을 사용함으로써 대상 클래스의 훈련 이미지가 전혀 없어도 학습 기반 객체 검출 시스템을 구축할 수 있음을 확인했습니다.