초록
본 논문에서는 소수의 레이블링된 샘플로부터 미리 보지 못한 클래스와 도메인에 대해 분류기를 학습하는 소수 샘플 분류(few-shot classification) 문제를 다룬다. 최근의 방법들은 새로운 도메인에 특징을 정렬하기 위해 적응 네트워크를 사용하거나, 여러 도메인 특화 특징 추출기 중에서 관련 있는 특징을 선택한다. 본 연구에서는 어댑터와 중심 커널 정렬(Center Kernel Alignment)을 활용해 여러 네트워크의 특징을 공동 정렬한 후, 별도로 훈련된 다수의 네트워크로부터 지식을 정제하여 단일한 보편적인 깊은 표현(uni-versal deep representations)을 학습하는 방안을 제안한다. 또한, 거리 학습 방법의 정신과 유사한 효율적인 적응 단계를 통해 이 보편적 표현을 미리 보지 못한 도메인에 대해 추가로 개선할 수 있음을 보여준다. 우리는 최신 Meta-Dataset 벤치마크에서 본 모델을 철저히 평가하여, 기존 방법들에 비해 훨씬 뛰어난 성능을 달성하면서도 더 효율적임을 입증한다. 본 연구의 코드는 https://github.com/VICO-UoE/URL 에 공개될 예정이다.