초록
우리는 감독 학습 또는 비감독 학습을 위한 소수 샘플 이미지 분류와 소수 샘플 행동 인식을 수행하는 다단계 2차(MlSo) 소수 샘플 학습 네트워크를 제안합니다. 우리는 여러 단계의 시각적 추상화를 표현하는 특징과 함께 이른바 전력 정규화된 2차 기본 학습자 스트림을 활용하며, 자기 지도 구분 메커니즘을 사용합니다. 2차 풀링(SoP)이 이미지 인식에서 널리 사용되고 있으므로, 우리 파이프라인에서는 그 기본 요소별 변형을 사용합니다. 다단계 특징 설계의 목적은 CNN의 다양한 레이어 단위 수준에서 특징 표현을 추출하여 견고한 소수 샘플 학습을 실현하는 것입니다. SoP가 공간 크기가 다른 컨볼루션 특징 맵을 처리할 수 있으므로, 우리는 MlSo에 여러 공간 스케일의 이미지 입력도 도입하였습니다. 다단계 및 다스케일 특징으로부터 구분 정보를 활용하기 위해, 우리는 각각의 브랜치를 재가중하는 특징 일치(FM) 모듈을 개발하였습니다. 또한, 우리는 공간 단위와 추상화 스케일의 구분자를 포함하는 자기 지도 단계를 도입하였습니다. 우리의 파이프라인은 엔드투엔드 방식으로 훈련됩니다. 간단한 아키텍처로, Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC 등의 표준 데이터셋과 CUB Birds, Stanford Dogs and Cars 등의 세부적인 데이터셋, 그리고 HMDB51, UCF101, mini-MIT 등의 행동 인식 데이터셋에서 우수한 결과를 보여주었습니다.