공간 가중 풀링을 갖춘 딥 CNN을 이용한 세분화된 자동차 인식

미세한 등급의 자동차 인식은 자동차의 브랜드, 모델, 또는 제조 연도와 같은 카테고리 정보를 식별하는 것을 목표로 한다. 최근 많은 연구들이 대규모 데이터셋에서 훈련된 심층 컨볼루션 신경망(DCNN)이 다양한 일반 객체 분류 작업에서 놀라운 성능을 달성할 수 있음을 보여주었다. 본 논문에서는 기존의 주요 DCNN의 특징 표현의 강건성과 효율성을 크게 향상시키는 공간 가중 풀링(Spatially Weighted Pooling, SWP) 전략을 제안한다. 구체적으로, SWP는 미리 정의된 수의 공간 가중 마스크 또는 풀링 채널을 포함하는 새로운 풀링 레이어이다. SWP는 학습된 마스크를 기반으로 DCNN이 추출한 특징을 풀링하며, 각 공간 단위의 구분 능력에 대한 중요도를 측정한다. 기존의 DCNN의 컨볼루션 특징 맵에 균일한 격자 풀링을 적용하는 방법과 유사하게, 제안된 방법은 단일 DCNN에서 컨볼루션 특징을 추출하고 풀링 채널을 생성할 수 있다. 따라서 구현 측면에서 최소한의 수정만으로도 가능하다. 또한 SWP 레이어의 파라미터는 DCNN의 엔드투엔드 훈련 과정에서 함께 학습될 수 있다. 여러 미세한 등급의 자동차 인식 데이터셋에 본 방법을 적용한 결과, 최근 문헌에서 제시된 접근법보다 우수한 성능을 달성함을 입증하였다. 스탠포드 Cars-196 데이터셋에서는 정확도를 92.6%에서 93.1%로 향상시키며 최신 기준을 개선하였고, 최근의 CompCars 데이터셋에서는 91.2%에서 97.6%로 상당한 성능 향상을 기록하였다. 또한 본 방법을 추가로 두 개의 대규모 데이터셋에 적용한 결과, 뛰어난 성능이 확인되었다.