합성곱 신경망은 구조와 동작 방법이 복잡하여 성능 저하의 원인을 식별하기 어렵다. 더욱이 필수 안전 시스템을 포함한 다양한 분야에서 사용됨에 따라 품질에 대한 중요성이 강조되고 있다. 테스트 프로세스에서 모델의 오동작을 유발하는 테스트 샘플 선정은 모델의 취약점을 조기에 발견하여 테스트의 효율성을 향상하고 테스트에 필요한 시간과 비용을 줄일 수 있다. 또한 합성곱 신경망 테스트에 요구되는 비용을 줄일 수 있다. 하지만 합성곱 신경망은 많은 수의 샘플을 학습하고 테스트하더라도 학습하지 않은 클래스의 샘플을 학습한 클래스 중 하나로 분류하는 문제가 존재한다. 따라서 실제 운용 환경에선 학습하지 않은 클래스의 샘플로 인해 합성곱 신경망의 성능이 저하될 수 있다. 이 논문은 샘플의 특성을 인식하는 뉴런 집합인 뉴런 클러스터를 바탕으로 테스트 효율성 향상을 위한 샘플 선정 방법과 모델이 학습하지 않은 클래스의 샘플 식별 방법을 통해 합성곱 신경망 이미지 분류 신뢰성 향상을 목표로 한다. 공공 데이터 세트와 ResNet 모델을 대상으로 수행한 실험에서 뉴런 클러스터 기반 테스트 샘플 선정 방법이 커버리지 기반 테스트 샘플 선정 방법보다 최소 8% 이상 테스트 효율성이 더 높음을 확인하였다. 뉴런 클러스터 기반 미학습 클래스 샘플 식별 방법은 최소 85% 이상의 정확도로 학습 및 미학습 클래스 샘플을 식별하였다. 그리고 프로토타입 및 손실 값 기반 방법보다 미학습 클래스 샘플을 학습 클래스 샘플로 잘못 분류하는 비율이 더 낮았다.