세부 이미지 인식을 위한 국지적 영역 강화 특징을 활용한 조건부 분류 재정렬

세부 이미지 인식은 의미론적 전반적 특징과 구분력 있는 국소적 특징을 동시에 포착하는 데 어려움이 있어 매우 도전적인 과제이다. 한편, 이러한 두 가지 특징은 통합하기 어렵고, 동시에 사용될 경우 오히려 상충되는 경향이 있다. 본 논문에서는 검색 기반의 거친 단계에서 세밀한 단계로 진행되는 프레임워크를 제안한다. 이 프레임워크는 정답 카테고리가 일반적으로 TopN 결과에 포함되어 있다는 관찰을 바탕으로, 국소 영역 강화 임베딩 특징을 활용하여 TopN 분류 결과를 재정렬함으로써 Top1 정확도를 향상시킨다. 세부 이미지를 효과적으로 구분하기 위한 구분력 있는 영역을 얻기 위해, 이미지 수준의 레이블만을 사용하여 박스 생성 브랜치를 약한 지도 학습 방식으로 학습시킨다. 또한, 더 효과적인 의미론적 전반적 특징을 학습하기 위해 자동으로 구성된 계층적 카테고리 구조 위에서 다중 수준 손실을 설계하였다. 실험 결과, 제안한 방법은 CUB-200-2011, Stanford Cars, FGVC Aircraft 세 가지 벤치마크에서 최신 기술 수준(SOTA)의 성능을 달성하였다. 또한, 시각화 및 분석 결과를 제공하여 제안 방법의 이해를 돕는다.