클러스터링된패치 요소 연결을 통한 희소 샘플 학습

적은 샘플 분류(task)의 성능에 오랫동안 영향을 미쳐온 약한 특징 표현 문제를 해결하기 위해 최근 연구자들은 임베딩된 패치 특징을 통해 지원(support) 및 쿼리(query) 인스턴스 간의 연결을 구축하여 구별 가능한 표현을 생성하는 방식을 제안해왔다. 그러나 우리는 목표 객체의 위치와 크기가 고정되어 있지 않기 때문에 이러한 국소적 패치들 사이에 의미적 불일치(전경/배경)가 존재함을 관찰하였다. 더욱 심각하게는 이러한 불일치로 인해 유사도 신뢰도가 저하되며, 복잡한 밀집 연결 구조는 이 문제를 악화시킨다. 이러한 문제를 해결하기 위해 우리는 새로운 클러스터링 패치 요소 연결(Clustered-patch Element Connection, CEC) 레이어를 제안한다. CEC 레이어는 패치 클러스터링(Patch Cluster)과 요소 연결(Element Connection) 연산을 활용하여 유사도가 높은 패치 특징 간에 신뢰할 수 있는 연결을 수립하고 수집한다. 또한 CEC 레이어 기반의 어텐션 모듈과 거리 측정 기반의 메트릭을 포함하는 CECNet을 제안한다. 전자는 전역적인 클러스터링된 패치 특징을 통해 더 구별력 있는 표현을 생성하는 데 사용되며, 후자는 쌍 특징 간의 유사도를 신뢰성 있게 측정하기 위해 도입된다. 광범위한 실험을 통해 CECNet이 분류 기준 벤치마크에서 최신 기술(SOTA)을 초월함을 입증하였다. 더불어 제안한 CEC 접근법은 적은 샘플 세그멘테이션 및 탐지(task)로 확장 가능하며, 경쟁력 있는 성능을 달성하였다.