도메인 적응 소수 샘플 오픈셋 학습

소수 샘플 학습(few-shot learning)은 타겟 쿼리 세트에서 새로운 클래스의 미지 샘플을 인식하고 도메인 간 시각적 변동을 관리하는 중요한 문제를 해결하는 데 있어 놀라운 발전을 이룩하였습니다. 그러나 기존 기술들은 소스 도메인에서 의사 이상치(pseudo-outliers)를 배제하여 학습함으로써 도메인 변동 하에서 타겟 이상치를 식별하는 데 부족한 면이 있어, 두 가지 문제 모두에 대한 완전한 해결책을 제공하지 못하고 있습니다. 이러한 도전 과제들을 포괄적으로 해결하기 위해, 우리는 새로운 접근 방식인 도메인 적응형 소수 샘플 오픈 세트 인식(Domain Adaptive Few-Shot Open Set Recognition, DA-FSOS)을 제안하며, 메타 학습 기반 아키텍처인 DAFOSNET을 소개합니다. 훈련 과정에서 우리의 모델은 완전히 지도된 소스 도메인과 라벨이 서로 다른 소수 샘플 타겟 도메인을 주어졌을 때 공유되고 구분력 있는 임베딩 공간(embedding space)을 학습하면서 의사 오픈 스페이스 결정 경계(pseudo open-space decision boundary)를 생성합니다. 데이터 밀도를 개선하기 위해, 조절 가능한 노이즈 분산(tunable noise variances)을 가진 조건부 적대 네트워크(conditional adversarial networks) 쌍을 사용하여 두 도메인의 폐쇄 공간과 의사 오픈 공간 모두를 증강(augment)합니다. 또한, 두 도메인이 전역적으로 일치하도록 하면서 새로운 메트릭 목표(novel metric objectives)를 통해 클래스 구분력을 보장하는 도메인 특화 배치 정규화(class prototypes alignment strategy with domain-specific batch normalization) 전략을 제안합니다. 우리의 훈련 방법은 DAFOS-NET이 타겟 도메인의 새로운 상황에 잘 일반화할 수 있도록 합니다. Office-Home, mini-ImageNet/CUB, DomainNet 데이터셋을 기반으로 한 세 가지 벤치마크를 제시하며, 광범위한 실험을 통해 DAFOS-NET의 효과성을 입증하였습니다.