UniFS: 포인트 표현을 활용한 포괄적인 소수 샘플 인스턴스 인식

인스턴스 인지 작업(객체 탐지, 인스턴스 세그멘테이션, 자세 추정, 개수 세기 등)은 시각 모델의 산업 응용에서 핵심적인 역할을 한다. 감독 학습 방법은 높은 레이블링 비용을 가지기 때문에, 제한된 수의 레이블링 예시로부터 효과적으로 학습할 수 있는 소수 샘플 학습(few-shot learning) 방법이 요구된다. 기존의 소수 샘플 학습 방법들은 주로 제한된 작업 집합에 집중되어 있으며, 다양한 작업을 통합된 방식으로 표현할 수 있는 일반적인 모델을 설계하는 데 직면한 도전성 때문일 것으로 보인다. 본 논문에서는 다양한 인스턴스 인지 작업을 동적 포인트 표현 학습 프레임워크로 재정의함으로써, 광범위한 인스턴스 인지 작업을 통합하는 유니버설 소수 샘플 인스턴스 인지 모델인 UniFS를 제안한다. 또한, 포인트 간의 고차원 구조적 관계를 효과적으로 활용하여 표현 학습을 더욱 향상시키기 위해 구조 인지형 포인트 학습(SAPL, Structure-Aware Point Learning)을 제안한다. 본 연구는 작업에 대해 최소한의 가정을 두면서도, 매우 전문화되고 철저히 최적화된 전문 모델들과 경쟁 가능한 성능을 달성한다. 코드와 데이터는 https://github.com/jin-s13/UniFS 에서 제공된다.