세부 시각 분류에서 클래스 고유 특성 학습하기

미세한 레이블 간 시각 분류(Fine-Grained Visual Classification, FGVC)의 주요 과제는 상당히 유사한 클래스 간의 세부 차이를 식별하는 것이다. 이는 특정 세부 특징을 학습함으로써 가능하다. 기존의 교차 엔트로피를 기반으로 훈련된 합성곱 신경망(Convolutional Neural Network, CNN)은 FGVC 환경에서 성능이 저하되는 문제가 있으며, 이는 클래스 간 불변 특징(invariant features)이 생성될 수 있기 때문이다. 본 연구에서는 정보 이론적 관점에서 각 클래스에 대해 특징의 유일성을 강제함으로써 CNN 훈련을 정규화하는 혁신적인 접근을 제안한다. 이를 달성하기 위해 게임 이론적 프레임워크를 기반으로 한 미니맥스 손실(minimax loss)을 제안하며, 해당 손실의 나시 균형(Nash equilibrium)이 정규화 목적과 일치함을 수학적으로 입증한다. 또한, 미니맥스 손실의 타당한 해가 중복된 특징을 생성할 수 있는 문제를 방지하기 위해, 선택된 특징 맵 쌍 간의 정규화된 내적(normalized inner product)을 기반으로 한 특징 중복 손실(Feature Redundancy Loss, FRL)을 제안하여 제안된 미니맥스 손실을 보완한다. 여러 주요 벤치마크에서의 우수한 실험 결과와 시각화 분석을 통해, 본 방법은 추가적인 계산 부담 없이 기준 모델의 성능을 극대화하며, 최신 기술(SOTA) 모델들과 경쟁 가능한 성능을 달성함을 입증하였다.