조정하거나 사용하지 않기: 데이터 효율적인 이미지 분류 벤치마킹

최근에는 라벨링된 데이터가 적은 환경에서 딥 뉴럴 네트워크를 사용한 데이터 효율적인 이미지 분류가 활발한 연구 영역이었습니다. 그러나 기존 연구들이 평가에 다른 데이터셋을 사용하고 종종 기본 하이퍼파라미터로 조정되지 않은 베이스라인과 비교하기 때문에, 발표된 방법들 간의 객관적인 비교는 어려웠습니다. 우리는 자연 이미지, 의료 이미지, 위성 데이터 등 다양한 분야와 데이터 유형(RGB, 흑백, 다중 스펙트럼)을 아우르는 여섯 가지 다양한 데이터셋으로 구성된 데이터 효율적인 이미지 분류를 위한 벤치마크를 설계했습니다. 이 벤치마크를 사용하여, 2017년부터 2021년까지 유명 학회에서 발표된 표준 크로스 엔트로피 베이스라인과 여덟 가지 데이터 효율적인 딥 러닝 방법을 재평가했습니다. 공정하고 현실적인 비교를 위해 각 데이터셋에서 모든 방법의 하이퍼파라미터를 신중하게 조정했습니다. 놀랍게도, 별도의 검증 세트에서 학습률, 가중치 감소, 배치 크기를 조정한 결과 매우 경쟁력 있는 베이스라인이 나왔으며, 이는 전문화된 한 가지 방법을 제외하고 모든 방법을 능가했으며 남은 하나와 경쟁력을 보였습니다.