Delta-encoder: 소수 샘플 객체 인식을 위한 효과적인 샘플 합성 방법

단 한 개나 몇 개의 예시만으로 새로운 카테고리를 분류하는 것은 현대 컴퓨터 비전에서 오랫동안 지속된 과제입니다. 본 연구에서는 단순하면서도 효과적인 소수 샘플(및 단일 샘플) 객체 인식 방법을 제안합니다. 제안된 접근 방식은 Delta-인코더라고 표기되는 수정된 오토인코더를 기반으로 하며, 이는 특정 카테고리의 몇 개의 예시만 보더라도 그 카테고리에 속하는 새로운 샘플을 합성하도록 학습합니다. 합성된 샘플들은 subsequently 분류기를 훈련시키는 데 사용됩니다. 제안된 접근 방식은 동일한 클래스의 훈련 예시 쌍 간의 전이 가능한 클래스 내 변형, 즉 "델타"를 추출하고, 이러한 델타를 훈련 중에 보지 못한 새로운 클래스의 소수 예시에 적용하여 해당 새로운 클래스로부터 효율적으로 샘플을 합성하는 방법을 학습합니다. 제안된 방법은 단일 샘플 객체 인식에서 최신 기술보다 우수하며, 소수 샘플 경우에서도 유리한 성능을 보입니다. 논문이 수락되면 코드가 공개될 예정입니다.