세밀한 이미지 인식에서 학습 및 평가 설정의 정확도와 비용 간 상충관계에 대한 대규모 연구

세밀 분류 이미지 인식 연구에서 2,000개 이상의 실험을 통해 백본, 데이터셋, 학습 설정 전반의 정확도-비용 트레이드오프를 정리했다.

새로운 교차 이미지 혼합 증강을 포함한 데이터 인지형 학습 방식이 높은 정확도를 유지하면서도 계산량을 줄일 수 있음을 보였다.

또한 CAL 계열의 비싼 판별적 크롭 추론을 건너뛰는 평가 전용 단축 방법을 제안해, 더 낮은 추론 비용으로도 경쟁력 있는 성능을 유지했다.

이 연구는 세밀 비전에서 성능을 크게 희생하지 않고 계산 효율이 좋은 조합이 무엇인지 실용적으로 제시한다.