재귀적 분류기 그래프를 통한 다중 클래스 객체 인식

초록

본 논문은 로지스틱 선형 레이어와 자동 선택된 피처 풀을 이용해, 각 노드가 독립적인 분류기 역할을 하는 ‘분류기 그래프’를 제안한다. 클래스 간 상호작용을 양방향으로 연결하고, 새로 학습된 분류기를 다시 피처 풀에 추가함으로써 깊이와 폭을 동시에 확장한다. 단계적 학습과 클러스터 기반 샘플링을 통해 다중 클래스 인식을 효율적으로 수행한다.

상세 분석

이 논문은 기존의 계층적 객체 인식 모델(예: DPM, CNN, 캡슐 네트워크 등)과 달리, 모든 레벨의 개념을 ‘분류기’라는 동일한 형태의 노드로 통일한다는 점에서 혁신적이다. 노드 간 연결은 방향성을 가지며, 부모 노드의 출력이 자식 노드의 입력 피처가 된다. 이는 전통적인 피처-클래스 구분을 무시하고, ‘클래스 자체가 피처가 될 수 있다’는 메타 피처 개념을 구현한다.

학습 과정은 크게 두 단계로 나뉜다. 첫째, 초기 피처 풀은 수작업 설계된 저수준 디스크립터(색, 텍스처, 엣지 등)와 무작위 스케일·위치 변형으로 구성된다. 둘째, 새로운 노드를 추가할 때마다 현재 풀에서 가장 설명력이 높은 피처 집합을 선택해 로지스틱 회귀를 학습한다(‘ClusterBoost’라 명명). 학습된 노드는 복제되어 다양한 스케일·위치·검색 영역을 가진 피처로 풀에 재투입된다. 이렇게 하면 그래프는 점진적으로 깊어지면서도, 각 레벨에서 다양한 컨텍스트를 활용할 수 있다.

특히, 동일 클래스에 대해 여러 분류기를 두는 설계는 ‘다중 관점’(low‑level, high‑level, 위치‑특정) 인식을 가능하게 하며, 하나의 분류기가 실패해도 다른 분류기가 보완하도록 만든다. 이는 인간의 인지 과정에서 ‘부분‑전체’와 ‘상하위 관계’를 동시에 고려하는 메커니즘과 유사하다. 또한, 피처 선택 과정이 클러스터 기반으로 이루어져 데이터의 내재적 구조를 반영한다는 점에서 전통적인 SGD 기반 학습보다 샘플 효율성이 높을 것으로 기대된다.

하지만 몇 가지 한계도 존재한다. 그래프가 무한히 확장될 경우 메모리와 연산량이 급증할 위험이 있으며, 순환 구조를 피하기 위해 피드‑포워드 방식만을 고수한다면 복잡한 상호 의존성을 완전히 모델링하지 못한다. 또한, 로지스틱 회귀라는 단순 모델에 의존함으로써 비선형 표현력이 제한될 수 있다. 향후 연구에서는 그래프 구조 최적화(예: 정규화, 프루닝)와 비선형 뉴럴 유닛을 결합해 성능을 향상시킬 여지가 있다.