메타학습 없이 소량 샘플 세그멘테이션: 좋은 전달 추론 하나면 충분한가?

우리는 소수 샘플 분할 작업에서 추론 수행 방식이 성능에 상당한 영향을 미친다는 점을 보여주며, 기존 문헌에서 메타학습 패러다임에 집중함에 따라 간과되기 쉬운 이 측면을 강조한다. 우리는 주어진 쿼리 이미지에 대해 전이적 추론(Transductive Inference)을 도입하여, 미라벨링된 쿼리 이미지 픽셀의 통계 정보를 활용한다. 이를 위해 세 가지 보완적인 항을 포함하는 새로운 손실 함수를 최적화한다: i) 라벨링된 서포트 픽셀에 대한 교차 엔트로피; ii) 미라벨링된 쿼리 이미지 픽셀의 사후 확률에 대한 샤논 엔트로피; iii) 예측된 전경 비율에 기반한 전역 KL-발산 정규화 항. 본 추론은 추출된 특징에 대한 단순한 선형 분류기를 사용하므로, 계산 부담은 유도적 추론(inductive inference)과 유사하며, 어떤 기반 학습 모델 위에서도 활용 가능하다. 에피소딕 학습을 배제하고 기반 클래스에 대해 단순한 교차 엔트로피 학습만을 사용함에도 불구하고, 본 방법은 1-샷 시나리오에서 표준 벤치마크에서 경쟁력 있는 성능을 달성한다. 가용한 샷 수가 증가함에 따라 성능 차이가 더욱 커진다. PASCAL-5i에서 본 방법은 각각 5-샷 및 10-샷 시나리오에서 최신 기술 대비 약 5%, 6%의 성능 향상을 기록한다. 또한, 기반 클래스와 새로운 클래스가 서로 다른 데이터셋에서 추출되는 도메인 전이(domain shift)를 포함하는 새로운 설정을 제안한다. 이보다 더 현실적인 설정에서 본 방법은 가장 우수한 성능을 달성한다. 코드는 오픈소스로 공개되어 있으며, 다음 링크에서 무료로 이용 가능하다: https://github.com/mboudiaf/RePRI-for-Few-Shot-Segmentation.