초록
데이터 증강은 현대 기계 학습 모델의 정확도를 향상시키는 데 있어 가장 효과적인 방법 중 하나이며, 메타학습을 위한 깊은 모델 학습에도 필수적이다. 본 논문에서는 기존의 이미지 수를 늘리는 전통적인 증강 방식과는 달리, 원본 이미지를 90도, 180도, 270도로 회전시켜 클래스 수를 증가시키는 작업 수준의 증강 방법을 제안한다. 더 많은 클래스를 확보함으로써 학습 중에 보다 다양한 작업 인스턴스를 샘플링할 수 있다. 따라서 회전을 통한 작업 수준의 증강은 과적합이 거의 발생하지 않도록 깊은 네트워크를 메타학습 방법으로 훈련할 수 있게 한다. 실험 결과, 제안한 방법은 이미지 수를 늘리는 회전 기법보다 우수하며, miniImageNet, CIFAR-FS, FC100 등의 소수 샘플 학습 벤치마크에서 최신 기술 수준의 성능을 달성하였다. 코드는 \url{www.github.com/AceChuse/TaskLevelAug}에서 제공된다.