그래프 전파 기반 상관 관계 학습을 통한 약한 감독 하의 미세 분류 이미지 분류

약한 지도 학습을 활용한 미세 분류 이미지 분류(WFGIC)의 핵심은 구분 가능한 영역을 효과적으로 선별하고, 그로부터 구분 가능한 특징을 학습하는 데 있다. 그러나 최근 대부분의 WFGIC 기법들은 구분 가능한 영역을 독립적으로 선별하고, 이를 직접 특징으로 활용하는 방식을 취하고 있으나, 영역 간 특징이 상호적으로 의미적으로 연관되어 있으며, 영역 그룹이 더 강력한 구분 능력을 가질 수 있다는 사실을 간과하고 있다. 이러한 문제를 해결하기 위해, 영역 간 상관관계의 구분 가능 잠재력을 극대화하고 활용할 수 있도록 엔드 투 엔드(Graph-propagation 기반)의 상관관계 학습(GCL) 모델을 제안한다. 구체적으로, 구분 가능한 영역 탐지 단계에서는 교차형 그래프 전파(Criss-cross Graph Propagation, CGP) 서브넷을 제안하여 영역 간 상관관계를 학습한다. 이는 영역 간 상관관계를 구축하고, 교차 방식으로 다른 영역들을 가중 평균하여 각 영역의 표현을 강화함으로써, 각 영역의 표현이 전반적인 이미지 수준의 맥락과 국소적인 공간적 맥락을 동시에 인코딩할 수 있도록 한다. 이를 통해 네트워크는 WFGIC를 위한 더욱 강력한 구분 가능한 영역 그룹을 암묵적으로 탐지할 수 있도록 안내된다. 또한, 구분 가능한 특징 표현 단계에서는 구분 가능한 패치의 특징 벡터들 사이의 내부 의미적 상관관계를 탐색하기 위해 상관관계 특징 강화(Correlation Feature Strengthening, CFS) 서브넷을 제안한다. 이는 유용한 요소를 반복적으로 강화하고, 불필요한 요소를 억제함으로써 특징의 구분력을 향상시킨다. 광범위한 실험을 통해 제안된 CGP 및 CFS 서브넷의 효과성을 입증하였으며, GCL 모델이 정확도와 효율성 측면에서 더 우수한 성능을 달성함을 보였다.