라벨되지 않은 이미지에서 부분 발견 및 증강을 활용한 Few-Shot 학습

소수 샘플 학습(few-shot learning)은 미리 본 적 없는 클래스를 인식하기 위해 제공되는 샘플이 극히 제한적이기 때문에 어려운 과제입니다. 이 문제를 완화하는 한 가지 방법은 유사한 작업에서 메타 학습을 통해 강력한 귀납 편향(inductive bias)을 획득하는 것입니다. 본 논문에서는 이러한 귀납 편향이 라벨이 붙지 않은 이미지의 평평한 집합에서 학습될 수 있으며, 관찰된 클래스와 관찰되지 않은 클래스 사이에서 전달 가능한 표현으로 구현될 수 있음을 보여줍니다. 특히, 이미지와 그 판별적 부분(discriminative part) 간의 유사성을 최대화하여 전달 가능한 표현을 학습하는 새로운 부품 기반 자기 지도 표현 학습 방안(part-based self-supervised representation learning scheme)을 제안합니다. 데이터 부족으로 인해 소수 샘플 분류에서 발생하는 과적합(overfitting) 문제를 완화하기 위해, 기본 데이터셋(base dataset)에서 추가 이미지를 검색하여 부품 증강(part augmentation) 전략을 제안합니다. 우리는 miniImageNet 및 tieredImageNet 벤치마크에서 체계적인 연구를 수행했습니다. 특히, 제안된 방법은 5-클래스 1-샘플 및 5-클래스 5-샘플 설정에서 이전 최고의 비지도 방법보다 각각 7.74%와 9.24% 개선된 결과를 보여주며, 이는 최신 지도 방법과 비교할 만한 성능입니다.