A Fuzzy C-Means Clustering-Based Pooling Layer for Improving Classification Performance in Convolutional Neural Networks

본 논문에서는 표준 합성곱 신경망 구조에서 사용되는 통합 계층에 퍼지 논리를 결합한 퍼지 통합 계층을 제안한다. 기존의 평균 및 최대 통합 방식은 국소 영역의 정보를 단순 요약하며, 입력 특징 간의 불확실성이나 모호성을 충분히 반영하지 못하는 한계가 있다. 퍼지 논리는 연속적인 소속도 기반 계산을 통해 이러한 불확실한 특징 경계를 완화하고, 정보 손실을 줄이는 데 유리할 수 있다. 제안하는 계층은 퍼지 C-중심 클러스터링을 통해 각 특징의 소속도를 계산하고, 클러스터별로 다른 통합 지수를 적용하여 특징들을 통합한다. 이를 통해 특징의 차원을 줄이면서 클러스터별 중요도를 반영한 가중 통합이 가능해진다. 성능 검증은 CIFAR-100, LFW, STL-10, ImageNette 데이터 세트와 AlexNet, miniAlexNet 모델을 사용하였으며, 5겹 교차 검증을 적용하고 정확도 및 F1 점수를 평가 지표로 활용하였다. 실험 결과, 제안한 퍼지 통합 계층은 기존 통합 방식 대비 의미 있는 분류 성능 향상을 나타냈다.