다중 규모 밀도 네트워크를 이용한 효율적인 자원 활용 이미지 분류

본 논문에서는 테스트 시점에서 계산 자원 제한을 가진 이미지 분류를 연구합니다. 이러한 상황은 다음과 같습니다: 1. 언제든지 분류(Anytime classification), 네트워크가 테스트 샘플에 대한 예측을 점진적으로 업데이트하여 언제든 예측 결과를 출력할 수 있는 방법; 2. 예산 제약 배치 분류(Budgeted batch classification), 일정량의 계산 자원이 주어져 이를 "쉬운" 입력과 "어려운" 입력 사이에서 불균등하게 사용하여 여러 샘플을 분류하는 방법입니다.기존 연구 대부분, 예를 들어 유명한 Viola와 Jones 알고리즘과는 달리, 우리의 접근 방식은 합성곱 신경망(Convolutional Neural Networks)을 기반으로 합니다. 우리는 다양한 자원 요구도를 가진 여러 분류기를 훈련시키고, 테스트 시점에서 적응적으로 적용합니다. 분류기들 간의 계산을 최대한 재사용하기 위해, 이들을 단일 깊은 합성곱 신경망 내에 조기 종료(Early-exits)로 통합하고 밀집 연결(Dense connectivity)으로 서로 연결시킵니다.높은 품질의 초기 분류를 지원하기 위해, 우리는 전체 네트워크에서 거친 수준과 세부 수준의 특징을 유지하는 두 차원 다중 스케일 네트워크 구조를 사용합니다. 세 가지 이미지 분류 작업에 대한 실험 결과, 우리의 프레임워크는 두 설정 모두에서 기존 최신 기술보다 크게 개선됨을 보여줍니다.