초록
기존의 소수 샘플 분할 방법들은 지원-쿼리 매칭 프레임워크를 기반으로 큰 진전을 이뤘다. 그러나 제공된 소수 샘플 지원 데이터로부터의 내부 클래스 변이의 제한된 커버리지로 인해 여전히 큰 어려움을 겪고 있다. 같은 객체에 속하는 픽셀은 동일한 클래스의 다른 객체에 속한 픽셀보다 더 유사하다는 단순한 게슈탈트 원리를 영감으로 삼아, 본 연구는 이 문제를 완화하기 위한 새로운 자가 지원 매칭 전략을 제안한다. 이 전략은 쿼리 특징과 매칭하기 위해 고신뢰도 쿼리 예측에서 수집한 쿼리 프로토타입을 사용한다. 이를 통해 쿼리 객체의 일관된 내재적 특징을 효과적으로 포착할 수 있으며, 결과적으로 쿼리 특징을 더 적절하게 매칭할 수 있다. 또한 자가 지원 매칭 절차를 보다 효과적으로 지원하기 위해 적응형 자가 지원 백그라운드 프로토타입 생성 모듈과 자가 지원 손실 함수를 제안한다. 제안한 자가 지원 네트워크는 프로토타입의 품질을 크게 향상시키며, 더 강력한 백본 아키텍처와 더 많은 지원 샘플에서 더 큰 성능 향상을 얻을 수 있다. 이를 통해 여러 데이터셋에서 최고 성능(SOTA)을 달성하였다. 코드는 \url{https://github.com/fanq15/SSP}에서 확인할 수 있다.