세밀한 이미지 인식 작업에서 미세하고 잠재적인 작은 특징이 쉽게 간과되고 외관 차이가 미미한 문제를 해결하기 위해 이중 주의력 무작위 선택 글로벌 컨텍스트 세밀 인식 네트워크를 제안한다. 먼저, ConvNeXt를 백본 네트워크로 사용하고 이중 주의력 무작위 선택 모듈을 제안하여 서로 다른 단계에서 추출된 특징에 대해 채널 무작위 선택과 공간 무작위 선택을 수행하여 네트워크가 다른 잠재적인 미세 판별 특징에 주목할 수 있도록 한다; 둘째, 글로벌 컨텍스트 주의 모듈을 활용하여 심층 특징의 의미 정보를 중간층에 융합하여 중간층이 미세 특징을 위치시키는 능력을 강화한다; 마지막으로 다중 분기 손실을 제안하여 중간층, 심층 및 결합층 특징에 분류 손실을 도입하고 서로 다른 분기에서 추출된 특징을 결합하여 네트워크가 다양한 판별 특징을 획득하도록 유도한다. 제안된 네트워크는 Stanford-cars, CUB-200-2011, FGVC-Aircraft 세 개의 공개 세밀 데이터셋과 실제 장면의 VMRURS 차량 모델 데이터셋에서 각각 95.2%, 92.1%, 94.0% 및 97.0%의 인식 정확도를 달성하였으며, 성능은 다른 비교 방법에 비해 크게 향상되었다.

세밀 인식; ConvNeXt; 이중 주의력 무작위 선택; 글로벌 컨텍스트 주의; 다중 분기 손실