6주차

논문 리뷰

—

계획

IMAGENET-TRAINED CNNs ARE BIASED TOWARDS TEXTURE; INCREASING SHAPE BIAS IMPROVES ACCURACY AND ROBUSTNESS —

결과

기존의 CNN의 물체 인식 방식

: CNN이 물체를 인식하는 방법에는 물체의 형태(shape) 표현을 학습한다고 보는 것과 이미지의 질감(texture)을 더 중요한 요소로 인식한다고 보는 두 가지 가설이 존재함

연구 방법

: 이 논문에서는 CNN과 인간을 대상으로 이미지의 질감과 물체의 형태 단서가 충돌하는 이미지를 통해 테스트를 진행함. 즉, 이미지의 질감과 형태가 서로 다른 단서를 제공하는 상황에서 CNN과 인간이 어떤 식으로 반응하는지를 평가함.

연구 결과

: 기존의 ImageNet으로 훈련된 CNN은 물체의 형태(shape)보다 이미지의 질감(texture)에 편향되어 분류 문제에서 인간과 다른 판단을 함을 보임

추가 실험

: 동일한 CNN을 ImageNet 대신에 Stylized-ImageNet 이라는 스타일화된 버전의 ImageNet으로 훈련시켰을 때, CNN은 질감(texture)이 아닌 물체의 형태(shape)에 기반한 표현을 학습함을 보임.

결론

: 이 실험을 통해 물체의 형태를 기반으로 표현을 학습한 CNN이 인간의 판단과 일치하는 것을 확인했고 이러한 모델은 기존의 질감에 편향되게 학습된 모델보다 물체 인식 성능이 향상되고, 이미지 왜곡에 대한 Robustness가 향상되는 등 여러가지 이점을 보여줌

corruption Robustness(강인함) : 손상을 주었을 때 모델이 성능을 얼마나 유지하는지

• 2024 8