초록
적은 샘플 분류 문제를 관계적 관점에서 '무엇을 관찰할 것인지'와 '어디에 주의를 기울일 것인지'에 대한 메타학습을 통해 해결하고자 한다. 제안하는 방법은 자기상관 표현(self-correlational representation, SCR)과 교차상관 주의(cross-correlational attention, CCA)를 통해 이미지 내부 및 이미지 간의 관계적 패턴을 활용한다. 각 이미지 내부에서는 SCR 모듈이 기본 특징 맵을 자기상관 텐서로 변환하고, 이 텐서로부터 구조적 패턴을 학습하여 추출한다. 이미지 간에는 CCA 모듈이 두 이미지 표현 간의 교차상관을 계산하고, 이를 통해 상호 주의(mutual attention)를 생성하는 것을 학습한다. 본 연구에서 제안하는 관계 임베딩 네트워크(Relational Embedding Network, RENet)는 이러한 두 가지 관계 모듈을 통합하여 엔드 투 엔드 방식으로 관계 임베딩을 학습한다. 실험 평가 결과, miniImageNet, tieredImageNet, CUB-200-2011, CIFAR-FS 등 네 가지 널리 사용되는 적은 샘플 분류 벤치마크에서 최첨단 기법들을 지속적으로 상회하는 성능을 달성하였다.