MSI: 소수 샘플 세그멘테이션을 위한 지원 세트 정보 최대화

Few-shot 분할(FSS)은 소량의 레이블링된 이미지(지원 집합, support set)를 이용하여 대상 클래스를 분할하는 것을 목표로 한다. 대상 클래스와 관련된 정보를 효과적으로 추출하기 위해, 최고 성능을 발휘하는 FSS 방법들에서 일반적으로 사용되는 접근 방식은 지원 마스크를 활용해 배경 특징을 제거하는 것이다. 그러나 본 연구에서는 이러한 제한적인 지원 마스크를 통한 특징 제거 방식이, 소형 대상이나/또는 정확하지 않은 대상 경계와 같은 여러 도전적인 FSS 상황에서 정보 병목 현상(information bottleneck)을 유발함을 관찰하였다. 이를 해결하기 위해, 우리는 두 가지 보완적인 특징 소스를 활용하여 초상관 맵(super correlation maps)을 생성함으로써 지원 집합의 정보를 최대화하는 새로운 방법(MSI)을 제안한다. 제안한 방법을 최근 및 강력한 세 가지 FSS 방법에 적용하여 효과를 검증하였으며, 여러 공개된 FSS 벤치마크에서의 실험 결과는 제안 방법이 뚜렷한 성능 향상을 지속적으로 이끌며 수렴 속도 또한 빠르다는 것을 입증하였다. 본 연구의 코드 및 학습된 모델은 다음 URL에서 공개되어 있다: https://github.com/moonsh/MSI-Maximize-Support-Set-Information