Recently, object detection has presented superior performance using the deep convolutional neural network (CNN). However, most CNN-based models need the bounding box information of the input image in pairs. To overcome this limitation, we propose the Generative Object Detection which learns with only cropped images that are not in pairs. Our model based on Generative Adversarial Networks (GAN) creates cropped images by making a mask that represents the object region. To achieve this goal, we devise a novel mask mean loss (MML) that helps the GAN be able to estimate the distribution of training data and uses dilated convolution for a wider reception eld in the generator. The experimental results show that Generative Object Detection improves mIoU and accuracy.
최근 딥러닝 기술의 발달로 물체인식 연구에서 성능향상이 있었다. 하지만 대부분의 딥러닝 기반의 모델은 입력되는 이미지와 그 입력되는 이미지의 답이 동시에 필요한 지도학습법을 따른다. 이러한 지도학습은 각 이미지 별로 물체의 위치정보를 달아줘야 하는 어려움이 있다. 따라서 이러한 한계점을 극복하기 위해, 본 학위논문에서는 비지도 학습법인 적대적 생성 신경망을 기반으로 한 물체인식기법을 제안한다. 제안 방법은 물체가 존재하지 않는 영역을 마스킹하는 방식으로 물체를 인식한다. 적대적 생성 신경망이 쉽게 발산하는 문제를 해결하면서 물체인식성능을 향상시키기 위해, mask mean loss와 dilated convolution을 사용하였다. Mask mean loss는 마스킹과정이 이미지를 훼손하지 않도록 도와주며, dilated convolution은 이미지 화질의 손실 없이 receptive field를 확장하여 물체탐지를 성능을 향상시켜준다. 실험결과는 각 요소가 적대적 생성 신경망 안정화를 도와주며 성능향상에도 도움을 주는 것을 보여주었다.
