특징 재가중을 통한 소수 샘플 객체 검출

기존의 깊은 CNN 기반 객체 검출기의 훈련은 많은 수의 바운딩 박스 주석이 필요하지만, 이는 드문 카테고리에 대해서는 제공되지 않을 수 있습니다. 본 연구에서는 몇 개의 주석된 예제만으로 새로운 객체를 검출할 수 있는 소수 샘플 객체 검출기를 개발하였습니다. 제안된 모델은 완전히 라벨링된 기본 클래스를 활용하여 신속하게 새로운 클래스에 적응하며, 단일 단계 검출 아키텍처 내에서 메타 피처 학습기와 재가중 모듈을 사용합니다. 피처 학습기는 충분한 샘플을 가진 기본 클래스의 훈련 데이터를 사용하여 일반화될 수 있는 메타 피처를 추출합니다. 재가중 모듈은 새로운 클래스에서 소수의 지원 예제를 전역 벡터로 변환하여 해당 객체를 검출하기 위한 메타 피처의 중요성이나 관련성을 나타냅니다. 이 두 모듈과 객체 검출 예측 모듈은 에피소드적 소수 샘플 학습 방식과 신경하게 설계된 손실 함수에 기반하여 엔드투엔드로 훈련됩니다. 광범위한 실험을 통해 본 모델이 여러 데이터셋과 설정에서 소수 샘플 객체 검출에 있어 잘 알려진 기준모델들보다 크게 우월함을 입증하였습니다. 또한 제안된 모델의 다양한 측면에 대한 분석을 제시하여 향후 소수 샘플 검출 연구에 일부 영감을 제공하고자 합니다.