초록
소수 샘플 학습(few-shot learning)은 극소수의 샘플로 모델을 훈련하는 데 초점을 맞추고 있다. 대부분의 기존 방법들은 픽셀 수준 또는 전역 수준의 특징 표현을 기반으로 모델을 학습한다. 그러나 전역 특징을 사용할 경우 국소적인 정보가 손실될 수 있고, 픽셀 수준의 특징을 사용할 경우 이미지의 맥락적 의미 정보가 소실될 수 있다. 또한 이러한 기법들은 단일 수준에서만 상호 관계를 측정할 수 있어 종합적이지도, 효과적이지도 않다. 만약 쿼리 이미지가 세 가지 서로 다른 수준의 유사도 지표를 동시에 잘 활용하여 분류될 수 있다면, 동일 클래스 내의 쿼리 이미지들이 더 좁은 특징 공간 내에서 더욱 밀집하게 분포하게 되어 더 구분력 있는 특징 맵을 생성할 수 있다. 이러한 관점에서, 본 연구는 작업에 특화된 특징을 생성하기 위해 새로운 Part-level Embedding Adaptation with Graph(PEAG) 방법을 제안한다. 또한, 픽셀 수준의 유사도뿐만 아니라 부분 수준 특징과 전역 수준 특징의 유사도도 고려하는 다수준 거리 측정(Multi-level Metric Learning, MML) 방법을 제안한다. 주요 소수 샘플 이미지 인식 데이터셋에서 실시한 광범위한 실험을 통해 제안한 방법이 최신 기술 대비 우수한 성능을 보임을 입증하였다. 본 연구의 코드는 \url{https://github.com/chenhaoxing/M2L}에서 공개되어 있다.