초록
이 편지에서는 정교한 이미지 분류(FGIC)를 위한 계산 비용이 낮으면서도 효과적인 접근법을 제안한다. 기존의 방법들이 복잡한 부분 위치 결정 모듈에 의존하는 것과 달리, 본 연구는 전역 특징의 하위 특징에 대한 의미를 강화함으로써 정교한 특징을 학습한다. 구체적으로, 먼저 컨볼루션 신경망(CNN)의 특징 채널을 채널 순열을 통해 다양한 그룹으로 배열함으로써 하위 특징의 의미를 구현한다. 동시에, 하위 특징의 구분 능력을 향상시키기 위해 가중치 조합 정규화를 통해 각 그룹이 객체의 구분력이 높은 부분에 활성화되도록 유도한다. 제안하는 방법은 파라미터가 적고, 이미지 수준의 레이블만으로도 백본 모델에 플러그 앤 플레이 모듈처럼 간단히 통합하여 엔드투엔드 학습이 가능하다. 실험을 통해 제안 방법의 효과성이 검증되었으며, 최첨단 기법들과 비교해 유사한 성능을 보였다. 코드는 https://github.com/cswluo/SEF 에서 제공된다.