KCC 2021
Current Result Document :
| 한글제목(Korean Title) |
클래스별 규제 엔트로피를 이용한 시각적으로 유사한 객체의 분류 |
| 영문제목(English Title) |
Disambiguating Visually Similar Objects with Classwise Regulated Entropy |
| 저자(Author) |
김예찬
이윤관
고영민
유형준
전병관
전문구
Yechan Kim
Younkwan Lee
YeongMin Ko
Hyeongjun Yoo
Byung Gwan Jeon
Moongu Jeon
|
| 원문수록처(Citation) |
VOL 48 NO. 01 PP. 0567 ~ 0569 (2021. 06) |
한글내용
(Korean Abstract) |
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 예측 확률을 클래스별로 차등적으로 규제하는 새로운 신경망 훈련 방법을 제시한다. 모델의 각 클래스에 대한 예측 확률을 GT의 예측을 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. |
영문내용
(English Abstract) |
|
| 키워드(Keyword) |
|
| 파일첨부 |
PDF 다운로드
|
