초록
컴퓨터 비전 작업에서 잘 알려진 도전 과제 중 하나는 이미지의 시각적 다양성이다. 이는 학습된 지식과 현재 관측된 시각적 콘텐츠 간에 일치 또는 불일치를 초래할 수 있다. 본 연구에서는 개념 학습 과정에서 이러한 일치를 ‘일치성(congruency)’으로 정의한다. 형식적으로, 특정 작업과 충분히 큰 데이터셋이 주어졌을 때, 학습 과정에서 트레이닝 데이터 내의 작업 특화 의미가 매우 다양하게 변할 경우, 일치성 문제가 발생한다. 우리는 이러한 일치성을 향상시키기 위해 방향 집중 학습(Direction Concentration Learning, DCL) 방법을 제안한다. 이 방법은 일치성을 강화함으로써 수렴 경로가 더 직선적이고 덜 복잡해지도록 한다. 실험 결과, 제안하는 DCL 방법은 최첨단 모델과 최적화 기법에 일반화되며, 주목성 예측 작업, 지속적 학습 작업, 분류 작업 모두에서 성능을 향상시킴을 보였다. 또한 지속적 학습 작업에서 치명적인 망각(catastrophic forgetting) 문제를 완화하는 데에도 기여한다. 코드는 공개적으로 제공되며, https://github.com/luoyan407/congruency 에서 확인할 수 있다.