기저 클래스와 새로운 클래스의 조화: 일반화된 소수 샘플 분할을 위한 클래스 대조적 접근법

현재의 소량 샘플 분할(Few-shot Segmentation, FSSeg) 방법들은 주로 새로운 클래스의 성능 향상에 집중하면서 기존 클래스의 성능을 간과하고 있습니다. 이러한 제한을 극복하기 위해, 일반화된 소량 샘플 의미 분할(Generalized Few-shot Semantic Segmentation, GFSSeg) 작업이 도입되었습니다. 이 작업은 기존 클래스와 새로운 클래스 모두에 대한 분할 마스크를 예측하는 것을 목표로 합니다. 그러나 현재의 프로토타입 기반 방법들은 프로토타입 업데이트 시 기존 클래스와 새로운 클래스 간의 관계를 명시적으로 고려하지 않아, 실제 카테고리를 식별하는 데 있어 제한적인 성능을 보이고 있습니다. 이 문제를 해결하기 위해, 우리는 클래스 대조 손실(Class Contrastive Loss)과 클래스 관계 손실(Class Relationship Loss)을 제안합니다. 이 손실 함수들은 프로토타입 업데이트를 규제하고 서로 다른 클래스의 프로토타입 사이에 큰 거리를 유지하도록 유도하여, 각 클래스를 구분하면서도 기존 클래스의 성능을 유지합니다. 우리의 제안된 접근 방식은 PASCAL VOC 및 MS COCO 데이터셋에서 일반화된 소량 샘플 분할 작업에 대해 새로운 최고 수준의 성능을 달성하였습니다.