실내 인스턴스 객체 탐지에서 전통적인 딥러닝은 네트워크 학습을 위해 대량의 수작업으로 라벨링된 학습 샘플이 필요하며, 이는 시간과 노력이 많이 듭니다. 이에 특이값 분해(Singular Value Decomposition, SVD)와 협동 학습을 적용한 반감독 인스턴스 수준 객체 탐지 네트워크 SVD-RCNN을 제안하고 구현하였습니다. 주요 샘플을 선택하여 수작업 라벨링과 SVD-RCNN의 사전 학습을 진행하여 더 많은 사전 지식을 확보하고, SVD 기반 수렴-분해-미세 조정 전략을 적용하여 SVD-RCNN에서 두 개의 강력한 독립 검사기를 얻어 협동 학습 요구사항을 충족시킵니다. 마지막으로, 적응형 자기 라벨링 전략을 제안하여 고품질의 자기 라벨링 및 탐지 결과를 얻었습니다. 여러 실내 인스턴스 데이터셋에서 이 방법을 테스트하였으며, GMU 데이터셋에서는 199개의 샘플만 수작업으로 라벨링하여 평균 정밀도(mean Average Precision, mAP) 79.3%를 달성하였고, 3,851개 샘플을 라벨링하는 완전 감독 Faster RCNN의 81.3% mAP보다 단지 2% 감소한 결과를 보였습니다. 소거 실험과 일련의 실험들은 본 방법의 효과성과 범용성을 입증하였습니다. 제안된 방법은 전체 감독 학습과 유사한 인스턴스 수준 객체 탐지 정밀도를 달성하는 데 단지 5%의 학습 데이터를 수작업 라벨링만 필요로 하여, 지능형 로봇의 다양한 인스턴스 객체 효율적 인식 실제 응용에 유리합니다.

컴퓨터 비전;객체 탐지;반감독 학습;자기 라벨링