본 논문은 텍스처 분류 성능 향상을 위해 자기 지도 학습과 결정론적 혼돈 역학을 결합한 새로운 프레임워크를 제안합니다. 텍스처 분류는 클래스 간 유사성이 높고, 구조 패턴이 크기 및 조명 변화에 민감하기 때문에 어려운 과제입니다. 연구진은 로지스틱, 텐트, 사인 혼돈 지도를 활용하여 네트워크가 위상적으로 강건한 특징을 학습하도록 합니다.