초록
딥 컨볼루션 신경망의 성공은 필터링, 활성화, 풀링을 통해 계층적인 구조적 특징을 포착하는 효과적인 컨볼루션 연산 학습에 기반한다. 그러나 기존의 CNN 프레임워크에서는 객체의 일부(예: 객체 부위)와 같은 명시적인 구조적 특징을 충분히 표현하지 못한다. 본 논문에서는 소수 샘플 학습(few-shot learning) 문제에 도전하며, 밀도 높은 부위 표현을 활용해 셀 특징 클러스터링 및 인코딩을 수행하는 별자리 모델(constellation model)을 CNN에 확장함으로써 구조적 특징을 강화하고자 한다. 또한 셀 특징 간의 관계는 어텐션 메커니즘을 통해 추가로 모델링된다. 객체 부위에 대한 인식을 높이기 위해 추가적인 별자리 브랜치를 도입함으로써, 본 방법은 CNN의 장점을 유지하면서도 소수 샘플 학습 환경에서 전체 내부 표현의 강건성을 더욱 향상시킬 수 있다. 제안한 방법은 CIFAR-FS, FC100, mini-ImageNet 벤치마크에서 기존 방법에 비해 유의미한 성능 향상을 달성하였다.