학습된 특징별 변환을 통한 다중 도메인 소수 샘플 분류

소수 샘플 분류(few-shot classification)는 각 클래스당 몇 장의 레이블링된 이미지만을 이용하여 새로운 카테고리를 인식하는 것을 목표로 한다. 기존의 메트릭 기반 소수 샘플 분류 알고리즘은 학습된 메트릭 함수를 사용하여 쿼리 이미지의 특징 임베딩을 몇 장의 레이블링된 이미지(지원 예시, support examples)의 특징 임베딩과 비교함으로써 카테고리를 예측한다. 이러한 방법들은 희망적인 성능을 보여주지만, 도메인 간 특징 분포의 큰 차이로 인해 새로운 도메인에 일반화하기 어려운 문제가 있다. 본 연구에서는 메트릭 기반 방법에 대한 도메인 전이(domain shift) 상황下的 소수 샘플 분류 문제를 다룬다. 우리의 핵심 아이디어는 훈련 단계에서 아핀 변환을 이용한 특징별 변환 층(feature-wise transformation layers)을 도입하여 다양한 도메인에서의 특징 분포를 시뮬레이션하는 것이다. 서로 다른 도메인에서의 특징 분포 변동을 효과적으로 포착하기 위해, 특징별 변환 층의 하이퍼파라미터를 탐색하기 위해 '학습을 위한 학습'(learning-to-learn) 접근법을 추가로 적용한다. 다양한 메트릭 기반 모델에 대해, mini-ImageNet, CUB, Cars, Places, Plantae 등 다섯 가지 소수 샘플 분류 데이터셋을 활용한 도메인 일반화 설정 하에서 광범위한 실험과 아블레이션 스터디를 수행하였다. 실험 결과, 제안하는 특징별 변환 층이 다양한 메트릭 기반 모델에 적용 가능하며, 도메인 전이 상황에서도 소수 샘플 분류 성능에 일관된 개선 효과를 제공함을 입증하였다.