초록
포괄적인 라벨링된 데이터셋에서 추출한 딥 컨볼루션 특징은 새로운 영역에서 효과적으로 활용할 수 있는 실질적인 표현을 포함하고 있습니다. 일반적인 특징이 많은 시각적 작업에서 좋은 결과를 얻었음에도 불구하고, 사전 학습된 딥 CNN 모델이 더욱 효과적이며 최신 성능을 제공하기 위해서는 미세 조정(fine-tuning)이 필요합니다. 감독된 환경에서 역전파 알고리즘을 사용한 미세 조정은 시간과 자원이 많이 소모되는 과정입니다. 본 논문에서는 이러한 문제를 해결하면서 사전 학습된 CNN 기반의 감독형 딥 학습 접근법과 관련된 미세 조정을 허용하는 비감독 객체 인식을 위한 새로운 아키텍처와 방법론을 제시합니다. 기존 연구들과 달리, 우리의 접근법은 일반적인 객체 인식 작업에 적용 가능합니다. 이 방법론은 관련 영역에서 사전 학습된 CNN 모델을 사용하여 자동으로 특징을 추출하고, 분류 목적을 위해 패턴을 저장하는 홉필드 네트워크 기반 연관 메모리 뱅크와 연결됩니다. 우리의 프레임워크에서 연관 메모리 뱅크의 사용은 역전파를 제거하면서도 미지의 데이터셋에서 경쟁력 있는 성능을 제공할 수 있게 합니다.