가우시안 혼합 모델 지향적 구분 학습을 통한 약한 감독 하의 미세 분류 이미지 분류

기존의 약한 감독 하의 미세한 분류 이미지 인식(WFGIR) 방법들은 일반적으로 고수준 특징 맵에서 구분 가능한 영역을 직접 추출한다. 본 연구에서는 컨볼루션 신경망이 국소적 수용장(Receptive Field)의 겹침 연산을 통해 고수준 특징 맵에서 구분 가능한 영역이 확산되는 현상을 발견하였으며, 이로 인해 구분 가능한 영역의 정확한 위치 추정이 어려워진다는 문제를 제기한다. 본 논문에서는 이러한 구분 가능한 영역의 확산 문제를 해결하고, 더 정밀한 미세한 특징을 탐지하기 위해 엔드 투 엔드 형태의 구분 가능한 특징 지향 가우시안 혼합 모델(DF-GMM)을 제안한다. 구체적으로 DF-GMM은 다음과 같은 두 가지 핵심 구성 요소로 이루어져 있다. 1) 저랭크 표현 기반(LRM): 고수준 의미 특징 맵에서 가우시안 혼합 모델(GMM)을 이용하여 저랭크 구분 가능한 기저(base)들을 학습함으로써 특징 표현의 구분 능력을 향상시킨다. 2) 저랭크 표현 재구성 기반(LR²M): 저랭크 구분 가능한 기저에 대응하는 공간 정보를 복원하여 저랭크 특징 맵을 재구성함으로써 구분 가능한 영역의 확산 문제를 완화하고, 보다 정밀한 위치 추정을 가능하게 한다. 광범위한 실험 결과를 통해 DF-GMM이 CUB-Bird, Stanford-Cars, FGVC Aircraft 데이터셋에서 동일한 설정 하에 기존의 최고 수준의 접근법들과 비교해 가장 우수한 성능을 보임을 확인하였다.