http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
클래스별 규제 엔트로피를 이용한 시각적으로 유사한 객체의 분류
김예찬(Yechan Kim),이윤관(Younkwan Lee),고영민(YeongMin Ko),유형준(Hyeongjun Yoo),전병관(Byung Gwan Jeon),전문구(Moongu Jeon) 한국정보과학회 2021 한국정보과학회 학술발표논문집 Vol.2021 No.6
본 논문은 신경망이 시각적으로 유사한 객체를 더욱 강건하게 분류할 수 있도록 클래스별 규제 엔트로피를 채택한 새로운 손실 함수를 제안한다. 이러한 객체는 종종 신경망 모델의 예측 신뢰도를 저하시킨다. 비록 교차 엔트로피 (Cross Entropy)로 학습된 모델은 일반적으로 잘 동작하지만, 교차 엔트로피는 시각적으로 유사한 서로 다른 클래스를 분류하는데 있어 불충분하다. 이는 교차 엔트로피는 오직 Ground Truth (GT) 클래스의 예측 확률만을 이용하고, 그 외의 네거티브 클래스의 예측 확률을 모델의 학습을 위해 유의미하게 활용하지 못하기 때문이다. 이 한계점을 극복하기 위해, 본 연구는 GT가 아닌 클래스의 예측확률을 클래스별로 차등적으로 규제하는 새로운 신경망 훈련 방법을 제시한다. 모델의 각 클래스에 대한 예측 확률을 GT의예측을 위협하는 정도로 해석하는 새로운 관점으로부터 제안된 본 전략은 Ground Truth 클래스가 모델의 추론 과정에서 더욱 강건하게 선택되는 효과로 이어진다. 우리는 CIFAR, SVHN, Tiny-ImageNet에서 광범위한 실험을 수행하여 종래의 방법에 비해 제안하는 방법이 더 높은 분류 정확도를 달성함을 확인하였다.