소수 샘플 객체 탐지 및 인스턴스 세그멘테이션 성능 향상을 위한 분리형 분류기

이 논문은 소수 샘플 객체 탐지(FSOD) 및 소수 샘플 인스턴스 세그멘테이션(FSIS)에 초점을 맞추며, 이는 새로운 클래스에 대해 레이블이 적은 샘플로 모델이 빠르게 적응해야 하는 문제를 다룬다. 기존의 방법들은 소수 샘플 환경에서 자연스럽게 발생하는 레이블 누락 문제로 인해 심각한 편향 분류 문제를 겪는다. 본 연구에서는 이러한 문제를 처음으로 공식적으로 제안한다. 우리의 분석 결과에 따르면, 대부분의 FSOD 또는 FSIS 모델에서 사용하는 표준 분류 헤드는 편향 분류를 완화하기 위해 분리되어야 한다. 따라서 우리는 표준 분류기를 두 개의 헤드로 분리하는 매우 단순하지만 효과적인 방법을 제안한다. 이 두 개의 개별 헤드는 각각 명확한 긍정 샘플과 레이블 누락으로 인해 발생하는 노이즈가 있는 부정 샘플을 독립적으로 처리할 수 있다. 이를 통해 모델은 새로운 클래스를 효과적으로 학습하면서도 노이즈가 있는 부정 샘플의 영향을 줄일 수 있다. 추가적인 계산 비용이나 파라미터 증가 없이도, 본 모델은 PASCAL VOC 및 MS-COCO 기준에서 FSOD 및 FSIS 과제에 대해 기준 모델과 최신 기술을 크게 앞서는 성능을 지속적으로 보여준다. 코드는 https://github.com/gaobb/DCFS 에서 공개되어 있다.