Abstract

본 연구에서는 샘플의 예측 난이도에 따라 교차 엔트로피를 동적으로 재조정하는 새로운 손실 함수(loss function)를 제안합니다. 이미지 분류 작업에서의 딥 신경망 아키텍처는 시각적으로 유사한 객체를 구분하는 데 어려움을 겪습니다. 이와 유사하게, 인간 자세 추정(human pose estimation)에서는 대칭적인 신체 부위가 네트워크를 혼란스럽게 하여 비판별적인 점수를 할당하는 경우가 종종 발생합니다. 이는 예측 결과에서 가장 높은 신뢰도 레이블만 선택되며, 불확실성에 대한 고려 없이 수행되기 때문입니다. 본 연구에서는 예측 난이도를 긍정 및 부정 레이블 간의 신뢰도 점수 차이에서 기인하는 상대적 속성으로 정의합니다. 보다 구체적으로, 제안된 손실 함수는 잘못된 예측의 점수가 유의미하게 높아지는 것을 방지하기 위해 네트워크를 벌칙화(penalize)합니다. 제안된 손실 함수의 효용성을 입증하기 위해 이미지 분류와 인간 자세 추정이라는 두 가지 도메인에서 평가를 수행하였습니다. 실험 결과, 기존 방법에 비해 더 높은 정확도를 달성하며 두 응용 분야 모두에서 성능 개선을 확인할 수 있었습니다.