초록
이 논문은 이미지 내 전경 객체에 대한 소수 샘플 분할(few-shot segmentation)에 관한 것이다. 우리는 소수 샘플 설정을 모방하는 작은 트레이닝 이미지 부분집합을 이용하여 CNN을 학습한다. 각 부분집합에서 하나의 이미지는 쿼리(query)로 사용되고, 나머지 이미지들은 지도 분할(ground-truth segmentation)이 제공된 서포트(support) 이미지로 사용된다. CNN은 먼저 쿼리 이미지와 서포트 이미지로부터 특징 맵(feature maps)을 추출한다. 그 후, 알려진 전경 영역에 대해 서포트 이미지의 특징 맵을 평균하여 클래스 특징 벡터(class feature vector)를 계산한다. 마지막으로, 클래스 특징 벡터와 쿼리 이미지의 특징 맵 사이의 코사인 유사도(cosine similarity)를 이용하여 쿼리 이미지 내 목표 객체를 분할한다. 본 연구는 다음과 같은 두 가지 기여를 한다: (1) 특징의 구별력을 향상시켜 전경 영역에서는 활성화가 높고, 그 외 영역에서는 낮게 유지되도록 함; (2) 테스트 시 서포트 이미지 분할 과정에서 발생하는 손실(loss)의 기울기(gradient)를 기반으로 지도하는 전문가(ensemble of experts)를 활용하여 추론 성능을 향상시킴. PASCAL-$5^i$ 및 COCO-$20^i$ 데이터셋에 대한 평가 결과, 기존의 방법들에 비해 본 방법이 상당히 우수한 성능을 보였다.