초록
기존의 의미 분할(semantic segmentation)은 대규모 레이블링된 이미지 데이터셋을 필요로 하며, 사전에 정의된 클래스 내에서만 예측이 가능하다. 이러한 문제를 해결하기 위해 새로운 타겟 클래스에 대해 몇 개의 애노테이션만으로도 분할을 수행할 수 있는 소수 샘플 분할(few-shot segmentation) 기술이 중요하게 부각되고 있다. 그러나 소수 샘플 분할에서는 타겟 클래스의 특징 공간 내 데이터 분포가 표본 데이터의 미세한 변동으로 인해 희박하고 커버리지가 낮은 문제가 발생한다. 이로 인해 타겟 클래스를 다른 클래스들과 적절히 구분할 수 있는 분류 경계(classification boundary)를 설정하는 것은 거의 불가능한 과제가 된다. 특히, 경계 근처에 타겟 클래스와 유사한 클래스가 존재할 경우 분류가 더욱 어려워진다. 본 연구에서는 다른 클래스 간의 유사도를 줄여 분류 경계의 분리 성능을 향상시키는 '계층 간 프로토타입 관계 네트워크(Interclass Prototype Relation Network, IPRNet)'를 제안한다. Pascal-5i 및 COCO-20i 데이터셋을 대상으로 광범위한 실험을 수행한 결과, 기존 연구 대비 IPRNet이 가장 뛰어난 분할 성능을 보였음을 입증하였다.