초록
소수 샘플 학습(few-shot learning)은 컴퓨터 비전 분야에서 레이블이 완전히 붙은 데이터에 대한 의존도를 줄일 수 있는 잠재력을 지닌 핵심 과제이다. 기존의 대부분의 소수 샘플 학습 접근법은 점차 복잡해지는 신경망 특징 추출기와 분류기 적응 전략, 그리고 과제 정의 자체의 정교화에 주력해왔다. 본 논문에서는 최신 소수 샘플 학습 기법(CNAPS)에 간단한 클래스 공분산 기반 거리 측도인 마할라노비스 거리를 도입함으로써, 별도의 복잡한 구조 없이도 성능 향상이 가능하다는 가설을 탐구한다. 또한, 이 거리 측도가 요구하는 고차원 특징 공분산을 매우 적은 샘플로부터 유용하게 추정할 수 있도록 적응 가능한 특징 추출기를 학습하는 것이 가능함을 발견하였다. 본 연구의 결과로 제안된 새로운 아키텍처인 '간단한 CNAPS(Simple CNAPS)'는 기존 CNAPS보다 학습 가능한 파라미터가 최대 9.2% 적고, 표준 소수 샘플 이미지 분류 벤치마크 데이터셋에서 최신 기술 대비 최대 6.1% 높은 성능을 달성하였다.