초록
소수 샘플 분류에 대한 대표적인 접근 방식은 먼저 대규모 레이블링된 데이터셋을 기반으로 일반적인 데이터 표현을 학습한 후, 새로운 클래스에 대해 단지 몇 개의 레이블링된 샘플만을 제공받아 해당 표현을 적응시키는 방식이다. 본 연구에서는 기존의 특징 적응 기법보다 더 간단하면서도 더 효과적인 특징 선택 기반의 새로운 전략을 제안한다. 먼저, 의미적으로 다른 여러 특징 추출기들을 학습시켜 다중 도메인 표현을 얻는다. 이후 소수 샘플 학습 과제가 주어지면, 제안한 다중 도메인 특징 벡터 풀을 활용해 가장 관련성이 높은 표현을 자동으로 선택한다. 우리는 이러한 특징 위에 간단한 비파라미터형 분류기를 구성했을 때 높은 정확도를 달성하고, 훈련 과정에서 접하지 못한 도메인에도 잘 일반화됨을 보여주며, MetaDataset에서는 최신 기준(SOTA) 성능을 달성하고 mini-ImageNet에서는 더 높은 정확도를 기록함을 입증한다.