매치 them 업: 시각적으로 설명 가능한 희소 샷 이미지 분류

소수 샘플 학습(FSL) 방법은 일반적으로 사전 훈련된 지식이 기초(보인) 카테고리로부터 획득될 수 있으며, 이를 새로운(보이지 않은) 카테고리로 효과적으로 전이할 수 있다는 가정에 기반한다. 그러나 특히 후자의 전이 가능성에 대해서는 보장할 수 없다. 이 문제는 대부분의 FSL 방법에서 추론 과정의 불확실성을 초래하며, 이는 위험 민감한 분야에서의 응용을 방해한다. 본 논문에서는 백본 모델에서 얻은 시각적 표현과 최신으로 등장한 설명 가능한 분류기로부터 생성된 가중치를 활용하여 이미지 분류를 위한 새로운 FSL 접근법을 제안한다. 가중된 표현은 구분 가능한 최소한의 특징만 포함하며, 시각화된 가중치는 FSL 과정에 대한 유의미한 단서로 활용될 수 있다. 마지막으로, 판별기(discriminator)는 지원 집합과 쿼리 집합 내 각 이미지 쌍의 표현을 비교하여 가장 높은 점수를 받는 쌍이 분류 결과를 결정한다. 실험 결과는 제안된 방법이 세 가지 주요 데이터셋에서 높은 정확도와 만족스러운 설명 가능성 모두를 달성할 수 있음을 입증한다.