PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.00851v1cs.CV

SmoothOperator: 조절된 라벨 스무딩을 통한 세밀한 열린 집합 인식을 위한 표현 향상

SmoothOperator: Enhancing Representations for Fine-grained Open-set Recognition via Modulated Label Smoothing

열린 집합 인식(Open Set Recognition, OSR)은 모델이 알려진 클래스를 정확하게 분류하는 동시에 보지 못한 클래스의 샘플을 거부할 수 있도록 하는 것을 목표로 합니다. OSR의 핵심 과제는 학습(training) 중 미지의 클래스가 갖는 무한한 분포를 모델링할 수 없다는 점에 있으며, 이는 종종 해당 클래스 샘플들의 오분류로 이어집니다. 미지의 샘플을 직접 모델링하는 대신, 최근 연구들은 알려진 클래스들이 조밀하고 잘 분리되도록 특징(feature) 공간을 형성하며, 구면 표현 학습(spherical representation learning) 방법들이 이러한 방식으로 우수한 성과를 거두었습니다. 라벨 스무딩(label smoothing)은 이러한 성공의 주요 동인 중 하나로 확인되었으나, 각 샘플이 이미 얼마나 잘 임베딩되어 있는지와 관계없이 모든 학습 샘플에 동일한 계수를 적용합니다. 본 논문에서는 OSR에 사용되는 구면 표현 학습 목적 함수들이 라벨이 정렬(alignment) 항을 통해서만 반영되는 단일한 '정렬-균일성(alignment--uniformity)' 구조를 공유함을 보입니다. 따라서 라벨 스무딩은 정렬 다이얼 역할을 하며, 고정된 계수는 모든 샘플에 대해 이 다이얼을 동일한 값으로 설정합니다. 이에 본 논문에서는 샘플 자체의 클래스가 가장 강력한 경쟁 클래스에 비해 얼마나 명확하게 두드러지는지를 측정하는 임베딩(embedding) 공간 신호인 **돌출도(prominence)**에 따라 각 샘플의 스무딩 계수를 설정하는 플러그인인 SmoothOperator(SmoothOP)를 제안합니다. 제안된 방법은 최소한의 학습 오버헤드로 네 가지 기존 구면 표현 학습 방법에 통합됩니다. SmoothOP는 돌출도가 높은 샘플에 강한 스무딩을 할당하여 이들의 정렬을 줄이고 끌어당김을 완화합니다. Semantic Shift Benchmark에서 SmoothOP로 강화된 변형 모델들은 다양한 데이터셋, 의미론적 변화(semantic shift) 정도, OSR 사후 처리기 전반에 걸쳐 기본 목적 함수보다 전반적으로 우수한 성능을 보였으며, AUROC, OSCR 및 닫힌 집합 정확도(closed-set accuracy)에서 최대 4.7%의 향상을 달성했습니다.