Core Concepts
고정된 프로토타입을 사용하고 레이블-프로토타입 할당을 최적화하여 메트릭 공간을 효과적으로 활용하는 새로운 분류 프레임워크를 제안한다.
Abstract
이 논문은 메트릭 공간을 효과적으로 활용하기 위해 고정된 프로토타입을 사용하고 레이블-프로토타입 할당을 최적화하는 새로운 분류 프레임워크를 제안한다.
프로토타입 분포 최적화:
가우시안 포텐셜 커널을 기반으로 한 목적 함수를 최소화하여 프로토타입을 균일하게 분포시킨다.
이를 통해 프로토타입 간 최대 마진 분리를 달성한다.
동적 레이블-프로토타입 할당:
프로토타입의 위치는 고정하고, 각 프로토타입이 나타내는 클래스를 최적화한다.
이를 위해 두 단계 최적화 문제를 정의하고 이를 이용해 해결한다.
첫 번째 단계에서는 이진 매칭 문제를 통해 클래스와 프로토타입 간 할당을 최적화한다.
두 번째 단계에서는 할당된 프로토타입과 입력 간 정규화 손실을 최소화한다.
실험 결과:
균형 및 장기 분류 문제에서 기존 방법들을 능가하는 성능을 보인다.
특히 메트릭 공간 차원이 클래스 수보다 작은 경우에도 우수한 성능을 달성한다.
이는 동적 레이블-프로토타입 할당이 메트릭 공간 활용에 중요한 역할을 함을 보여준다.
Stats
제안 방법은 CIFAR-100에서 ResNet-32 backbone을 사용할 때 66.22%의 정확도를 달성하여 기존 최고 성능 대비 1.22% 향상되었다.
ImageNet-200에서 ResNet-32 backbone을 사용할 때 46.85%의 정확도를 달성하여 기존 최고 성능 대비 2.15% 향상되었다.
Quotes
"Aiming to enhance the utilization of metric space by the parametric softmax classifier, recent studies suggest replacing it with a non-parametric alternative."
"A shared characteristic among prior non-parametric classifiers is the static assignment of labels to prototypes during the training, i.e., each prototype consistently represents a class throughout the training course."
"Orthogonal to previous works, we present a simple yet effective method to optimize the category assigned to each prototype (label-to-prototype assignment) during the training."