초록
감독 학습을 기반으로 한 딥러닝은 머신러닝 및 컴퓨터비전 분야에서 다양한 인식 문제에 성공적으로 적용되어 왔다. 대량의 학습 데이터가 제공될 경우 복잡한 다대일 함수를 매우 잘 근사할 수 있으나, 현재의 감독 학습 기반 딥러닝 방법들은 확률적 추론이 부족하여 복잡한 구조화된 출력 표현을 모델링하는 데 어려움을 겪는다. 본 연구에서는 가우시안 잠재 변수를 활용한 확장 가능한 깊은 조건부 생성 모델을 개발하여 구조화된 출력 변수를 다루는 데 초점을 맞추었다. 이 모델은 확률적 경사 하강 변분 베이즈(Stochastic Gradient Variational Bayes) 프레임워크 내에서 효율적으로 학습되며, 확률적 전방향 추론을 통해 빠른 예측이 가능하다. 또한, 반복 예측 네트워크 아키텍처, 입력 노이즈 주입, 다중 해상도 예측 학습 등의 새로운 전략을 제안하여 강건한 구조화된 예측 알고리즘을 구현하였다. 실험을 통해 제안된 알고리즘이 확률적 추론을 활용하여 다양한 동시에 현실적인 출력 표현을 생성하는 데서 결정론적 딥뉴럴네트워크 대비 우수한 성능을 보임을 입증하였다. 더불어, 학습 방법과 아키텍처 설계에서 제안한 전략들이 상호보완적으로 작용하여 Caltech-UCSD Birds 200 및 Labeled Faces in the Wild 데이터셋의 일부에 대해 강력한 픽셀 수준의 객체 세그멘테이션 및 의미 레이블링 성능을 달성하였다.