초록
미세한 시각적 분류(Fine-Grained Visual Classification, FGVC)는 서로 다른 클래스 간의 시각적 차이가 매우 작아, 종종 전문적인 주석자(annotator)를 동원하여 데이터를 수집해야 하는 중요한 컴퓨터 비전 문제이다. 이러한 미세한 시각적 다양성의 특성을 활용하여, 본 연구에서는 미세한 시각 분류의 맥락에서 최대 엔트로피 학습(Maximum-Entropy learning)을 재검토하고, 컨볼루션 신경망(Convolutional Neural Networks)을 FGVC 작업에 적용하기 위한 학습 절차를 제안한다. 이 절차는 출력 확률 분포의 엔트로피를 최대화함으로써 모델의 예측 불확실성을 높이는 방식으로 작동한다. 제안한 방법에 대해 이론적 및 실험적 근거를 제시하며, 다양한 FGVC 분류 과제에서 최신 기준(SOTA, State-of-the-Art) 성능을 달성하였다. 이 방법은 미세 조정(fine-tuning)과 같은 다른 과제에도 확장 가능성이 있다. 또한 제안된 방법은 다양한 하이퍼파라미터 값, 학습 데이터의 양, 레이블 노이즈의 양에 대해 강건하며, 이로 인해 유사한 문제 해결에 있어 유용한 도구가 될 수 있다.