要約
弱教師あり細分類画像分類（WFGIC）の鍵は、識別的な領域を抽出し、それらから識別的な特徴を学習することにある。しかし、近年の多くのWFGIC手法は、識別的な領域を独立して抽出し、その特徴を直接利用する一方で、領域間の特徴が相互に意味的に相関していること、および領域のグループ化がより識別力を持つ可能性があるという事実を無視している。この問題に対処するために、本研究では、領域間相関の識別的潜在能力を徹底的に掘り起こし、活用するためのエンドツーエンド型グラフ伝播に基づく相関学習（GCL）モデルを提案する。具体的には、識別的領域の局在化フェーズにおいて、領域間の相関を学習するためのクロス型グラフ伝播（CGP）サブネットワークを提案する。このCGPサブネットワークは、領域間に相関関係を構築し、クロス型の重み付き集約により他の領域の情報を用いて各領域を強化する。これにより、各領域の表現は同時に画像全体のコンテキストと局所的な空間的コンテキストを統合的に表現することができ、ネットワークがWFGICにおいてより強力な識別的領域群を間接的に発見するように導かれる。次に、識別的特徴表現フェーズでは、識別的パッチの特徴ベクトル間の内部的な意味的相関を探索するための相関特徴強化（CFS）サブネットワークを提案する。このCFSサブネットワークは、情報を豊富に含む要素を段階的に強化しつつ、無意味な要素を抑制することで、特徴の識別力を逐次向上させる。広範な実験により、提案するCGPおよびCFSサブネットワークの有効性が実証され、GCLモデルが精度および効率の両面で優れた性能を達成することが示された。