Universal-Prototype Enhancing for Few-Shot Object Detection ユニバーサル-프로토타입 강화를 위한 소수 샷 객체 검출

소수 샘플 객체 검출(Few-shot object detection, FSOD)은 소수의 라벨링된 샘플을 사용하여 새로운 객체를 검출하는 성능을 강화하는 것을 목표로 합니다. 소수의 샘플 제약을 완화하기 위해, 학습된 특징이 새로운 객체에 대해 일반화할 수 있는 능력을 향상시키는 것이 핵심 역할을 합니다. 따라서 FSOD의 특징 학습 과정은 다양한 시각적 변화에도 불변인 객체의 본질적인 특징에 더 집중해야 합니다. 이는 특징 일반화에 도움이 됩니다. 이전 메타러닝 패러다임과 달리, 본 논문에서는 다양한 객체 카테고리에서 공통적으로 적용 가능한 본질적인 특징으로 객체 특징을 향상시키는 방법을 탐구합니다. 우리는 모든 객체 카테고리에서 학습되는 새로운 프로토타입, 즉 보편적 프로토타입(universal prototype)을 제안합니다. 불변한 특징을 표현하는 장점 외에도, 보편적 프로토타입은 불균형한 객체 카테고리의 영향을 완화시킵니다. 보편적 프로토타입으로 객체 특징을 향상시킨 후, 향상된 특징과 원래 특징 간의 일치성을 최대화하기 위한 일관성 손실(consistency loss)를 부과합니다. 이는 불변한 객체 특징 학습에 유익합니다. 따라서 우리는 새로운 객체에 대한 특징 일반화의 장점을 가진 새로운 FSOD 프레임워크인 {FSOD}^{up}를 개발하였습니다. PASCAL VOC와 MS COCO에서 수행된 실험 결과는 {FSOD}^{up}의 효과성을 입증합니다. 특히, VOC Split2의 1-샷 경우에서 {FSOD}^{up}는 기준 모델보다 mAP 측면에서 6.8% 우수한 성능을 보였습니다.