SimpleShot: Few-Shot 학습을 위한 최근접 이웃 분류의 재검토

소수 샘플 학습자(few-shot learners)는 적은 수의 레이블링된 학습 예시를 기반으로 새로운 객체 클래스를 인식하는 것을 목표로 한다. 과적합을 방지하기 위해 최신의 소수 샘플 학습 기법은 합성곱 신경망(Convolutional Network) 특징을 기반으로 메타학습(meta-learning)을 수행하고, 가장 가까운 이웃(nearest-neighbor) 분류기를 사용하여 분류한다. 본 논문은 메타학습 없이도 가장 가까운 이웃 기반 알고리즘의 정확도를 탐구한다. 놀랍게도, 단순한 특징 변환(feature transformation)만으로도 경쟁력 있는 소수 샘플 학습 정확도를 달성할 수 있음을 발견하였다. 예를 들어, 평균 제거(mean-subtraction)와 L2 정규화(L2-normalization)를 적용한 가장 가까운 이웃 분류기를 사용할 경우, miniImageNet 데이터셋에서 다섯 가지 설정 중 세 가지에서 기존 연구 결과를 초과하는 성능을 기록하였다.