다omain 간 소량 샘플 분류 개선을 위한 다층 퍼셉트론 활용

다중 영역 소량 샘플 분류(Cross-domain few-shot classification, CDFSC)는 서로 다른 영역 간에 큰 분포 차이가 존재하기 때문에 매우 어려운 과제입니다. 이 문제를 해결하기 위해 많은 접근 방식이 전송 가능한 표현을 학습하는 데 초점을 맞추고 있습니다. 다층 퍼셉트론(Multilayer perceptron, MLP)은 비지도 이미지 분류와 지도 개념 일반화 등의 다양한 하위 작업에서 전송 가능한 표현을 학습할 수 있는 능력을 보여주었습니다. 그러나 소량 샘플 설정에서의 MLP의 잠재력은 아직 충분히 탐구되지 않았습니다. 본 연구에서는 MLP가 CDFSC의 도전 과제를 해결하는 데 어떻게 기여할 수 있는지를 조사합니다. 특히, 세 가지 유형의 소량 샘플 분류 방법에 따라 MLP를 통합한 세 가지 독특한 프레임워크를 소개하여 MLP의 효과성을 검증합니다. 실험 결과, MLP는 판별 능력을 크게 향상시키고 분포 이동을 완화시킬 수 있음을 확인하였습니다. 이는 10개의 베이스라인 모델과 12개의 벤치마크 데이터셋을 사용한 우리의 대규모 실험으로 입증되었습니다. 또한, 우리의 방법은 다른 최신 CDFSC 알고리즘들에 비해 우수한 성능을 보였습니다.