Transductive Decoupled Variational Inference for Few-Shot Classification 번역: 소수 샷 분류를 위한 전도적 분리 변분 추론

소수 샘플로부터 학습할 수 있는 유연성은 인간 지능의 특징입니다. 소수 샘플 학습(few-shot learning)은 이 능력을 기계로 전달하려는 노력입니다. 확률적 딥러닝의 가능성과 힘에 영감을 받아, 우리는 이미지를 의미론적 변수와 라벨 잠재 변수로 분리하고 이를 얽힌 방식으로 동시에 추론하는 새로운 변분 추론 네트워크를 제안합니다(이를 TRIDENT라고 명명했습니다). 작업 인식성을 유도하기 위해, TRIDENT의 추론 메커니즘의 일부로서, 우리는 소수 샘플 작업의 쿼리 이미지와 서포트 이미지 간의 정보를 활용하는 새로운 내장 주목기반 전도적 특성 추출 모듈(AttFEX)을 사용합니다.우리의 광범위한 실험 결과는 TRIDENT의 효과성을 입증하며, 가장 일반적으로 사용되는 데이터셋인 miniImageNet과 tieredImageNet에서 가장 단순한 백본을 사용하여 새로운 최고 성능(state-of-the-art)을 달성함을 보여줍니다(각각 최대 4%와 5% 개선). 또한 최근 도전적인 크로스 도메인 miniImagenet → CUB 시나리오에서도 기존 최고 크로스 도메인 베이스라인보다 상당한 마진(최대 20% 개선)을 제공합니다. 코드와 실험 자료는 우리 GitHub 저장소에서 확인할 수 있습니다: https://github.com/anujinho/trident