KerCNNs: 손상된 이미지 분류를 위한 생물학적으로 영감을 받은 측방 연결

다수의 컴퓨터 비전 과제에서 최신 기술 수준은 합성곱 신경망(Convolutional Neural Networks, CNN)에 의해 대표된다. 비록 이러한 아키텍처의 계층적 구조와 국소적 특징 추출 방식이 원숭이 시각 시스템의 구조에 영감을 받았지만, 이러한 구조에서 횡방향 연결(lateral connections)의 부재는 생물학적 객체 처리 방식과의 핵심적인 차이를 이룬다. 최근 몇 년간, 기하학적 제약 없이 학습된 반복적 합성곱 커널을 활용한 CNN의 횡방향 연결을 강화하는 아이디어가 실현되고 있다. 본 연구에서는 CNN의 전방향 필터들 간의 상관관계를 표현하는 생물학적으로 타당한 횡방향 커널을 제안한다. 각 층에서 해당 커널은 활성화 값 공간 위의 전이 커널(transition kernel)로 작용하며, 필터들에 기반하여 정의되므로, 전방향 구조에 기반하여 횡방향 연결의 기하학적 특성을 파라미터 없이 평가할 수 있는 접근법을 제공한다. 이를 바탕으로, 우리는 이러한 새로운 아키텍처를 'KerCNN'이라 명명하여, 전반적인 형태 분석 및 패턴 완성과 관련된 일반화 과제에 대해 검증한다. 학습 과정에서는 기본적인 이미지 분류를 수행하도록 네트워크를 훈련시키고, 이후 손상된 테스트 이미지에서 성능을 평가한다. 여기서 고려된 이미지 왜곡은 국소적 특징을 통한 인식을 방해하도록 설계되었으며, 이는 맥락 정보의 통합을 요구한다. 생물학적 시각 시스템에서 이러한 맥락 통합은 핵심적으로 횡방향 연결과 연관되어 있다. 실험 결과, KerCNN은 기존 CNN 및 반복적 CNN에 비해 이러한 왜곡에 훨씬 더 안정적인 성능을 보였으며, 도전적인 조건 하에서도 객체 인식을 강화하는 생물학적 영감을 받은 접근법의 타당성을 입증하였다.