이미지 세그멘테이션을 위한 메타러닝 초기화

우리는 일차 순서의 모델 무관 메타학습 알고리즘(FOMAML 및 Reptile 포함)을 이미지 세그멘테이션에 확장하고, 빠른 학습을 위해 설계된 새로운 신경망 아키텍처인 EfficientLab을 제안하며, 메타학습 알고리즘의 테스트 오차에 대한 공식적 정의를 활용하여 분포 외(task) 상황에서의 오차를 줄입니다. FOMAML을 사용해 EfficientLab을 메타학습하고, 베이지안 최적화를 통해 테스트 시 적응 루틴의 최적 하이퍼파라미터를 추론함으로써 FSS-1000 데이터셋에서 최신 기술 수준의 성능을 달성하였습니다. 또한, 메타학습 시스템이 소수 샘플(few-shot) 및 다수 샘플(many-shot) 설정에서 어떻게 작동하는지에 대한 실증적 연구를 위해 작은 벤치마크 데이터셋인 FP-k를 구축하였습니다. FP-k 데이터셋에서 메타학습된 초기화가 전형적인 소수 샘플 이미지 세그멘테이션에 유용함을 보였으나, 라벨링된 예제가 10개를 초과하면 기존의 전이학습(transfer learning)이 이를 빠르게 따라잡으며, 그 이후 성능은 동일해짐을 확인하였습니다. 코드, 메타학습 모델, 그리고 FP-k 데이터셋은 https://github.com/ml4ai/mliis 에 공개되어 있습니다.