초록
눈과 부리와 같은 구분 가능한 세부 특징을 인식하는 것은 전반적인 외형이 유사한 미세한 계층을 구분하는 데 중요한 요소이다. 이와 관련하여 본 연구에서는 미세한 계층의 소수 샘플 분류를 위한 간단한 모듈인 작업 불일치 최대화(Task Discrepancy Maximization, TDM)를 제안한다. 본 연구의 목적은 클래스별로 구분 가능한 영역을 국소화하는 것으로, 각 클래스의 고유 정보를 인코딩하는 채널을 강조함으로써 달성한다. 구체적으로 TDM은 두 가지 새로운 구성 요소인 지지 주의 모듈(Support Attention Module, SAM)과 쿼리 주의 모듈(Query Attention Module, QAM)을 기반으로 작업별 채널 가중치를 학습한다. SAM은 각 클래스에 대해 채널별 구분 능력을 나타내는 지지 가중치를 생성한다. 그러나 SAM은 기본적으로 레이블이 부여된 지지 집합에만 의존하므로, 해당 지지 집합에 대한 편향에 취약할 수 있다. 이를 보완하기 위해 본 연구는 주어진 쿼리 이미지에 대해 객체와 관련된 채널에 더 큰 가중치를 부여하는 쿼리 가중치를 생성하는 QAM을 제안한다. 이러한 두 가지 가중치를 결합함으로써 클래스별 작업 특화 채널 가중치를 정의한다. 이 가중치는 구분 가능한 세부 정보에 더 집중하는 작업 적응형 특징 맵을 생성하는 데 적용된다. 실험을 통해 TDM의 효과성과 기존 방법들과의 보완적 이점을 입증하였다.