변분 특성 분리 기반의 세부적인 소수 샘플 분류

세부적인 소수 샘플 인식은 새로운 클래스에 대한 학습 데이터 부족 문제로 인해 흔히 어려움을 겪는다. 부족한 학습 데이터로 인해 네트워크는 과적합(overfitting) 경향을 보이며, 미지의 클래스에 대해 일반화 성능이 낮아진다. 이러한 문제를 해결하기 위해 많은 방법들이 추가 데이터를 합성하여 학습을 지원하는 방식을 제안해왔다. 본 논문에서는 미지 클래스의 클래스 내 분산(intra-class variance)을 증대시켜 소수 샘플 분류 성능을 향상시키는 데 초점을 맞춘다. 우리는 기저 클래스(base class)와 새로운 클래스(novel class) 간에 클래스 내 분산의 분포가 일반화될 수 있다고 가정한다. 따라서 기저 클래스의 클래스 내 분산 분포를 새로운 클래스에 전이(transferring)함으로써 특징 증강(feature augmentation)을 수행할 수 있다. 구체적으로, 먼저 기저 데이터셋을 기반으로 클래스 내 분산의 분포를 변분 추론(variational inference)를 통해 모델링한다. 이후 학습된 분포를 새로운 데이터셋에 전이하여 추가적인 특징을 생성하고, 이를 원래 특징과 함께 결합하여 분류기를 학습한다. 실험 결과, 도전적인 세부적인 소수 샘플 이미지 분류 벤치마크에서 기존 최고 성능 기법들에 비해 뚜렷한 성능 향상을 확인할 수 있었다.