맥스 풀링 vs 노이즈 오어 풀링: 약한 라벨링 시퀀스 학습에서의 성능 비교

본 논문은 약한 라벨링(존재/부재)만 제공되는 시퀀스 학습 문제에서 다중 인스턴스 학습(MIL) 프레임워크를 적용하고, 인스턴스‑level 예측을 bag‑level 예측으로 집계하는 두 가지 풀링 함수, “맥스 풀링”과 “노이즈‑오어 풀링”의 성능을 체계적으로 비교한다. 연구 동기는 강한 라벨(시작·종료 시점) 확보가 비용이 많이 들고 규모 확장이 어렵다는 점에서, 약한 라벨만으로도 이벤트 로컬라이제이션을 가능하게 하는 방법을 찾는 것이다. **MIL 기본 구조** 시퀀스를 bag으로, 각 프레임을 인스턴스로 간주한다. 인스턴스‑level 분류기는 CNN·RNN 등 시계열 정보를 활용할 수 있는 네트워크이며, 최종 예측은 sigmoid 활성화를 통해