# SARE: Sample-wise Adaptive Reasoning for Training-free Fine-grained Visual Recognition

### 저자

Jingxiao Yang, DaLin He, Miao Pan, Kaixiang Yao, Ge Su, Wenqi Zhang, Yifeng Hu, Tangwei Li, Yuke Li, Xuhong Zhang

### 💡 개요

본 논문은 시각적 모호성이 높은 세부 시각 인식(FGVR) 문제를 해결하기 위해, 샘플별 추론 방식을 적용한 SARE 프레임워크를 제안합니다. SARE는 후보 검색과 정밀 추론을 결합한 계단식 설계를 통해 모든 샘플에 동일한 추론 파이프라인을 적용하는 기존 방법의 한계를 극복합니다. 또한, 과거 오류 경험을 활용하는 자체 성찰 메커니즘을 통해 반복적인 실패를 방지하고 계산 효율성을 높여 최신 성능을 달성합니다.

### 🔑 시사점 및 한계

- 샘플별 인식 난이도를 고려한 적응적 추론 방식을 통해 FGVR 성능 및 효율성을 향상시킬 수 있습니다.

- 과거 오류 경험을 재활용하는 메커니즘은 특정 종류의 어려운 사례에 대한 반복적인 실패를 줄여줍니다.

- 제안된 SARE 프레임워크는 파라미터 업데이트 없이도 효과적인 훈련 없는 FGVR이 가능하다는 것을 보여줍니다.

- 다만, 계단식 설계의 복잡성 증가와 다양한 종류의 시각적 모호성에 대한 일반화 성능에 대한 추가적인 검증이 필요할 수 있습니다.

---

[PDF 보기](https://arxiv.org/pdf/2603.17729)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).