Max-Margin를 넘어서: 소수 샘플 객체 탐지를 위한 클래스 마진 균형

소수 샘플 객체 탐지(few-shot object detection)는 기존의 기본 클래스 객체들에 의해 학습된 특징 표현을 활용하여 새로운 클래스 객체를 표현함으로써 상당한 발전을 이뤘다. 그러나 새로운 클래스의 분류와 표현 사이에는 암묵적인 모순이 존재하는데, 이는 유감스럽게도 간과되고 있다. 한편으로, 정확한 새로운 클래스 분류를 달성하기 위해서는 두 기본 클래스의 분포가 서로 멀리 떨어져 있어야 하며(최대 마진, max-margin), 다른 한편으로는 새로운 클래스를 정밀하게 표현하기 위해서는 기본 클래스들의 분포가 서로 가까워져야 하여 새로운 클래스 내부의 클래스 내 거리(intra-class distance)를 줄일 수 있어야 한다(최소 마진, min-margin). 본 논문에서는 특징 공간의 분할과 새로운 클래스 재구성의 측면에서 체계적으로 최적화할 수 있도록 하는 클래스 마진 균형(Class Margin Equilibrium, CME) 방법을 제안한다. CME는 완전 연결층을 이용해 위치 정보 특징을 분리함으로써 소수 샘플 탐지 문제를 소수 샘플 분류 문제로 변환한다. 이후 CME는 특징 학습 과정에서 단순하지만 효과적인 클래스 마진 손실(class margin loss)을 도입하여 새로운 클래스에 충분한 마진 공간을 확보한다. 마지막으로, CME는 적대적(min-max) 방식으로 새로운 클래스 인스턴스의 특징을 방해함으로써 마진 균형을 추구한다. Pascal VOC 및 MS-COCO 데이터셋에서의 실험 결과, CME는 두 가지 기준 탐지기(base detectors)에 비해 상당한 성능 향상을 보였으며, 평균적으로 최대 3~5% 향상되었으며, 최신 기술 수준(SOTA)의 성능을 달성하였다. 코드는 https://github.com/Bohao-Lee/CME 에서 공개되어 있다.