자기 평가 분류기를 이용한 세분화된 시각 분류

차등적인 특징 추출은 세부 이미지 분류 작업에서 핵심적인 역할을 한다. 기존의 대부분의 방법들은 주로 주의(attention) 또는 증강(augmentation) 메커니즘을 개발하여 이 목표를 달성하고자 했다. 그러나 상위-k 예측 클래스들 사이의 모호성 문제는 충분히 탐구되지 않았다. 본 논문에서는 이미지의 표현과 상위-k 예측 클래스의 정보를 동시에 활용하여 분류 결과를 재평가하는 자기 평가 분류기(Self Assessment Classifier)를 제안한다. 본 방법은 거시적 및 미세한 분류기를 활용한 지속적 학습(continual learning)의 아이디어에서 영감을 얻어, 기반 네트워크 내 특징의 구분력을 강화하고 이미지 내 정보가 풍부한 영역의 주의 맵을 생성한다. 실질적으로 본 방법은 보조 분기(auxiliary branch)로 작동하며, 다양한 아키텍처에 쉽게 통합할 수 있다. 효과적으로 상위-k 예측 클래스의 모호성을 해결함으로써, 본 방법은 CUB200-2011, Stanford Dog, FGVC Aircraft 데이터셋에서 새로운 최고 성능을 달성함을 보여준다. 또한, 통일된 설정 하에서 기존 다양한 세부 분류기들의 정확도를 일관되게 향상시킨다.