일반화된 소수 샘플 의미 분할을 위한 강력한 베이스라인

본 논문에서는 직관적인 학습 과정과 최적화하기 쉬운 추론 단계를 갖춘 일반화된 소수 샘플 분할 프레임워크를 소개합니다. 특히, 잘 알려진 InfoMax 원칙을 기반으로 하는 간단하면서도 효과적인 모델을 제안하는데, 이 모델은 학습된 특징 표현들과 해당 예측들 사이의 상호 정보량(Mutual Information, MI)을 최대화하는 방식을 취합니다. 또한, MI 기반 공식에서 유래된 항들은 기저 클래스에 대한 지식을 유지하기 위한 지식 증류(knowledge distillation) 항과 결합됩니다. 간단한 학습 과정 덕분에, 우리의 추론 모델은 기저 클래스로 학습된 어떤 분할 네트워크 위에도 적용될 수 있습니다. 제안된 추론 방법은 인기 있는 소수 샘플 분할 벤치마크인 PASCAL-$5^i$와 COCO-$20^i$에서 실질적인 개선을 보입니다. 특히 새로운 클래스의 경우, 1-shot 및 5-shot 시나리오에서 각각 PASCAL-$5^i$에서는 7%에서 26%, COCO-$20^i$에서는 3%에서 12%의 성능 향상을 보였습니다. 또한, 우리는 성능 차이가 더욱 확대되는 더 어려운 설정을 제안하였습니다. 본 연구의 코드는 https://github.com/sinahmr/DIaM 에서 공개적으로 이용 가능합니다.