자기 감독 학습을 이용한 소수 샷 이미지 분류

소수 샘플 이미지 분류(few-shot image classification)는 제한된 라벨링된 샘플을 사용하여 미리 본 적 없는 클래스를 분류하는 것을 목표로 합니다. 최근 연구들은 에피소드적 작업을 통해 메타 학습 과정에 이점을 얻고 있으며, 훈련에서 테스트까지 클래스에 빠르게 적응할 수 있습니다. 각 작업에 대한 샘플 수가 제한적이기 때문에, 메타 학습을 위한 초기 임베딩 네트워크는 중요한 구성 요소가 되며 실제 성능에 큰 영향을 미칩니다. 이를 위해 대부분의 기존 방법은 효율적인 임베딩 네트워크에 크게 의존합니다. 제한된 라벨링 데이터로 인해 감독 학습(SL) 방식으로 임베딩 네트워크의 규모가 제약되어 있어, 이는 소수 샘플 학습 방법의 병목 현상이 됩니다. 본 논문에서는 자기 감독 학습(SSL)을 통해 더 일반화된 임베딩 네트워크를 훈련시키는 방법을 제안합니다. 이 방법은 데이터 자체로부터 학습하여 후속 작업에 견고한 표현을 제공할 수 있습니다. 우리는 MiniImageNet과 CUB 두 개의 소수 샘플 분류 데이터셋에서 기존 베이스라인 방법들과 광범위한 비교를 통해 우리의 연구를 평가하였으며, 베이스라인보다 우수한 성능을 달성하였습니다. 또한, 크로스 도메인 소수 샘플 분류에서 네 개의 데이터셋을 대상으로 한 실험 결과, 제안된 방법이 최신 연구 결과(state-of-the-art results)를 달성하며 모델의 견고성을 더욱 입증하였습니다. 우리의 코드는 \hyperref[https://github.com/phecy/SSL-FEW-SHOT.]{https://github.com/phecy/SSL-FEW-SHOT.}에서 확인할 수 있습니다.