라벨 없는 예제를 활용한 소량 예제 이미지 분류 향상

우리는 레이블이 지정되지 않은 예시를 활용하여 소수 샘플 이미지 분류 성능을 향상시키는 전이형 메타학습 방법을 개발하였다. 본 연구에서는 정규화된 마할라노비스 거리 기반 소프트 k-평균 클러스터링 절차와 최신 기술을 개선한 신경망 적응형 특징 추출기를 결합함으로써, 레이블이 없는 데이터를 활용하여 테스트 시점의 분류 정확도를 개선한다. 제안하는 방법은 지원(학습) 예시 집합이 주어졌을 때, 쿼리(테스트) 예시에 대한 레이블을 동시에 예측하는 전이형 소수 샘플 학습 작업에서 평가되었으며, Meta-Dataset, mini-ImageNet, tiered-ImageNet 기준에서 최신 기술 수준의 성능을 달성하였다. 모든 훈련된 모델 및 코드는 github.com/plai-group/simple-cnaps에서 공개되어 있다.