적응형 프로토타입 학습 및 할당을 통한 소량 샘플 세그멘테이션

프로토타입 학습은 소수 샘플 분할(few-shot segmentation)에 널리 사용된다. 일반적으로, 지원(feature) 특징에서 전역 객체 정보를 평균하여 단일 프로토타입을 추출한다. 그러나 모든 정보를 하나의 프로토타입으로 표현하는 방식은 모호성을 초래할 수 있다. 본 논문에서는 다중 프로토타입 추출 및 할당을 위한 두 가지 새로운 모듈, 즉 슈퍼픽셀 유도 클러스터링(Superpixel-guided Clustering, SGC)과 유도 프로토타입 할당(Guided Prototype Allocation, GPA)을 제안한다. 구체적으로, SGC는 파라미터가 없고 학습이 필요 없는 접근 방식으로, 유사한 특징 벡터를 집계함으로써 더 대표적인 프로토타입을 추출한다. 반면 GPA는 매칭되는 프로토타입을 선택하여 보다 정확한 안내를 제공할 수 있다. SGC와 GPA를 통합함으로써, 객체의 크기와 형태 변화에 적응 가능한 경량 모델인 적응형 슈퍼픽셀 유도 네트워크(Adaptive Superpixel-guided Network, ASGNet)를 제안한다. 또한 본 네트워크는 추가적인 계산 비용 없이 k-샷 분할(k-shot segmentation)으로 쉽게 일반화되며, 상당한 성능 향상을 제공한다. 특히 COCO 데이터셋에서의 평가 결과, ASGNet은 5-샷 분할에서 기존 최고 성능 기법보다 5% 높은 성능을 달성하였다.