RelationNet2: Few-Shot 학습을 위한 깊은 비교 열

소수 샘플 딥 러닝(few-shot deep learning)은 제한된 라벨링된 예제로 비정형적으로 성장하는 미처 보지 못한 새로운 클래스를 시각 인식에 적용하는 주요 도전 영역입니다. 유망한 접근 방식 중 하나는 메트릭 학습(metric learning)을 기반으로 하는 것으로, 이는 이미지 유사성 매칭을 지원하기 위해 깊은 임베딩(deep embedding)을 훈련시키는 방법입니다. 우리의 통찰력은 효과적인 일반 목적 매칭이 여러 추상 수준에서의 비선형 특성 비교를 필요로 한다는 것입니다. 따라서 우리는 다양한 수준의 특성을 동시에 기반으로 하는 여러 비선형 거리 메트릭을 학습하도록 설계된 임베딩 모듈과 관계 모듈로 구성된 새로운 딥 비교 네트워크를 제안합니다. 또한, 과적합(over-fitting)을 줄이고 더 깊은 임베딩의 사용을 가능하게 하기 위해, 파라미터화된 가우시안 노이즈 정규화(parameterized Gaussian noise regularization)를 통해 이미지를 벡터가 아닌 분포로 표현합니다. 결과적으로 이 네트워크는 miniImageNet과 tieredImageNet에서 우수한 성능을 보여주었습니다.