해석 가능한 소수 샘플 이미지 분류를 위한 영역 비교 네트워크

딥러닝은 여러 실-world 컴퓨터 비전 과제에 성공적으로 적용되어 왔지만, 강건한 분류기 학습을 위해서는 일반적으로 대량의 정확하게 레이블링된 데이터가 필요하다. 그러나 레이블링 작업은 종종 비용이 많이 들고 시간이 오래 걸린다. 이러한 문제를 해결하기 위해, 새로운 클래스에 대한 모델 학습을 위해 제한된 수의 레이블링 예시만을 효과적으로 활용하는 '소수 샘플 이미지 분류(Few-shot image classification)'가 제안되었다. 최근의 전이 가능한 거리 측정 기반 학습 방법들은 쿼리 집합과 서포트 집합의 샘플 특징 간 유사성을 학습함으로써 유망한 분류 성능을 달성해왔다. 그러나 이러한 방법들 중 대부분은 모델의 해석 가능성(Interpretability)을 명시적으로 고려하지 않으며, 실제로 해석 가능성은 학습 과정 중에 드러날 수 있다.이에 따라 본 연구에서는 신경망 내에서 소수 샘플 학습이 어떻게 작동하는지를 드러내고, 쿼리 및 서포트 집합에서 온 이미지들 간에 관련성이 있는 구체적인 영역을 식별할 수 있는 거리 측정 기반의 새로운 방법인 영역 비교 네트워크(Region Comparison Network, RCN)를 제안한다. 또한, 네트워크 내 중간 변수를 시각화함으로써 본 방법이 어떤 것을 학습했는지를 직관적으로 설명할 수 있는 영역 활성화 맵(Region Activation Mapping, RAM) 전략을 제안한다. 더불어, 해석 가능성의 범위를 작업 수준에서 카테고리 수준으로 일반화하는 새로운 접근법을 제시하며, 이는 RCN의 최종 결정을 뒷받침하는 대표적인 부분(prototypical parts)을 찾는 방법으로도 볼 수 있다. 네 가지 벤치마크 데이터셋에서 수행된 광범위한 실험을 통해 기존의 베이스라인 대비 본 방법의 효과성이 명확히 입증되었다.