일반화된 소수 샘플 세분화를 위한 놀랍게 간단한 접근법

일반화된 소수 샘플 의미 분할(GFSS)의 목적은 기존 클래스에 대한 지식을 학습한 기저 클래스 모델과 소수의 레이블링된 예시를 통해 새로운 클래스의 객체를 인식하는 것이다. 기존의 소수 샘플 의미 분할과 달리, GFSS는 기저 클래스뿐 아니라 새로운 클래스까지도 픽셀 단위로 분류하는 것을 목표로 하며, 더 실용적인 설정을 제공한다. 현재의 GFSS 기법들은 맞춤형 모듈의 조합, 정교하게 설계된 손실 함수, 메타학습, 전도적 학습 등의 다양한 기술에 의존하고 있다. 그러나 우리는 단순한 규칙과 표준적인 감독 학습이 GFSS 성능을 상당히 향상시킬 수 있음을 발견하였다. 본 논문에서는 위에서 언급한 기술들을 사용하지 않고도 간단하면서도 효과적인 GFSS 방법을 제안한다. 또한 이론적으로 제안하는 방법이 대부분의 기저 클래스에 대해 기저 클래스 모델의 분할 성능을 완벽하게 유지함을 보였다. 수치 실험을 통해 제안 방법의 효과성을 입증하였으며, PASCAL-$5^i$ 데이터셋에서 1샷 시나리오에서 새로운 클래스 분할 성능이 6.1% 향상되었고, PASCAL-$10^i$ 데이터셋에서는 4.7%, COCO-$20^i$ 데이터셋에서는 1.0% 향상되었다.