초록
우리는 적은 수의 학습 샘플 또는 전혀 학습 샘플이 없는 경우에도 세분화된 클래스를 인식할 수 있도록 제로-샷 및 희귀-샷 학습을 위한 새로운 복합 생성 모델을 개발한다. 우리의 핵심 관찰은 세분화된 클래스에 대해 전반적인 특징을 생성하는 것은 클래스 간 미세한 특성 차이를 포착하지 못한다는 점이다. 따라서 우리는 학습 샘플들로부터 특성 속성(attribute features)을 추출하고 이를 조합하여 드문 또는 미지의 클래스에 대한 세분화된 특징을 구성하는 특성 조합(feature composition) 프레임워크를 제안한다. 특성 조합을 통해 우리는 각 클래스의 특징을 관련된 학습 샘플들로부터 선택적으로 조합할 뿐만 아니라, 조합에 사용되는 샘플을 변경함으로써 생성된 특징 간의 다양성을 확보할 수 있다. 또한 클래스에 대한 전반적인 특징을 구성하는 대신, 우리는 속성 특징을 활용하여 클래스의 세부적인 특성 정보를 포착할 수 있는 밀도 높은 표현(dense representations)을 구성한다. 우리는 구분 모델(discriminative model)을 사용하여 특징을 구성하고, 이를 다시 모델 자체의 학습에 활용하는 학습 전략을 제안한다. 따라서 별도의 생성 모델을 학습하지 않고도, 직접 구성된 특징 위에서 구분 모델을 학습할 수 있다. 우리는 DeepFashion, AWA2, CUB, SUN의 네 가지 대표적인 데이터셋에서 실험을 수행하여 제안하는 방법의 효과성을 입증한다.