PCNN: 확률적 클래스 근접 이웃 설명은 AI 및 인간을 위한 세분화된 이미지 분류 정확도를 향상시킨다

최근접 이웃(Nearest Neighbors, NN)은 기존에 서포트 벡터 머신이나 k-NN 분류기와 같은 모델에서 최종 결정을 도출하는 데 사용되었으며, 모델의 결정에 대한 설명을 사용자에게 제공하는 데에도 활용되어 왔다. 본 논문에서는 최근접 이웃의 새로운 활용 방안을 제시한다. 즉, 고정된(frozen), 사전 학습된 이미지 분류기 C의 예측 성능을 향상시키는 데 활용하는 것이다. 우리는 이미지 비교기(image comparator) S를 활용하는데, 이는 (1) 분류기 C가 제시한 상위 K개의 가능성이 높은 클래스에 속한 최근접 이웃 이미지들과 입력 이미지를 비교하고, (2) 비교기 S로부터 도출된 점수를 활용하여 C의 신뢰도 점수를 가중 조정함으로써 예측을 보정한다. 제안하는 방법은 CUB-200, Cars-196, Dogs-120 데이터셋에서 미세한 이미지 분류 정확도를 일관되게 향상시킨다. 또한, 사용자 실험 결과에 따르면, 사용자에게 가장 가능성이 높은 클래스의 최근접 이웃(Probable-Class Nearest Neighbors, PCNN)을 제시하는 방식은 기존의 단지 가장 가능성이 높은 클래스(상위 1개) 예시만을 보여주는 방식에 비해 사용자의 AI 의존도를 감소시켜, 더 높은 의사결정 정확도를 달성함을 확인할 수 있었다.