초록
순서 회귀(ordinal regression)는 서로 독립적이지 않고 자연스러운 순서를 따르는 카테고리 간의 분류 문제를 해결하려는 시도이다. 각 클래스를 정확히 분류하는 것과 더불어, 클래스 간의 순서적 관계를 적절히 학습하는 것이 매우 중요하다. 본 연구에서는 진정한 레이블 표현에 메트릭 페널티(metric penalty)를 원활하게 통합함으로써 카테고리 간의 이러한 관계를 제약하는 간단하면서도 효과적인 방법을 제안한다. 이와 같은 인코딩 방식은 깊은 신경망이 네트워크 아키텍처의 명시적 수정 없이도 내부 클래스 및 외부 클래스 간의 관계를 자동으로 학습할 수 있도록 한다. 제안한 방법은 데이터 레이블을 일반적인 분류 손실 함수(예: 교차 엔트로피)와 잘 맞는 소프트 확률 분포로 변환한다. 다양한 분야에서의 실험을 통해, 기존의 표준 분류 및 세그멘테이션 네트워크를 사용하여 이미지 품질 순위 매기기, 나이 추정, 수평선 회귀, 단안 깊이 추정 등 네 가지 매우 다른 시나리오에서 본 방법이 효과적임을 입증하였다. 또한, 전용 방법들과 비교했을 때 본 방법이 매우 경쟁력이 있으며, 다양한 네트워크 아키텍처와 메트릭에 잘 적응함을 보였다.