우리는 소수 샘플(소량 레이블링된 샘플)에 기반하여 모델을 빠르게 적응시키고, 알 수 없는 클래스의 샘플을 거부하는 것을 목표로 하는 소수 샘플 개방 집합 객체 탐지(Few-shot Open-set Object Detection, FOOD) 문제를 연구한다. 최근의 연구들은 주로 알 수 없는 클래스를 거부하기 위해 가중치 희소화(weight sparsification) 기법을 사용하지만, 데이터가 부족한 환경에 특화된 고려가 부족하여 성능이 만족스럽지 못하다. 본 연구에서는 이러한 도전적인 소수 샘플 개방 집합 객체 탐지 문제를 세 가지 측면에서 해결한다. 첫째, 기존의 가상의 알 수 없는 샘플 탐색 방법과 달리, 확률의 디리클레 분포(Dirichlet distribution)를 통해 추정한 증거 불확실성(evidential uncertainty)을 활용하여 전경 및 배경 제안 영역에서 가상의 알 수 없는 샘플을 탐색한다. 둘째, 가상의 알 수 없는 샘플의 수와 교차율(Intersection over Union, IoU) 사이의 통계적 분석을 바탕으로, 위치 정확도를 고려하여 알 수 없는 클래스 결정 경계를 더욱 명확히 하는 IoU 인지형 알 수 없는 목적함수(IoU-aware unknown objective)를 제안한다. 셋째, 과적합 문제를 억제하고 알 수 없는 클래스에 대한 모델의 일반화 능력을 향상시키기 위해, 힐버트-슈미트 독립성 기준(Hilbert-Schmidt Independence Criterion, HSIC) 기반의 이동 평균 가중치 평균화(moving weight averaging) 기법을 분류 및 회귀 헤드의 가중치 갱신에 도입한다. 이 방법은 현재 가중치와 장기 기억 저장소(long-term memory banks)에 저장된 이전 가중치 간의 독립성 정도를 고려한다. 제안한 방법을 여러 최신 기법들과 비교한 결과, VOC-COCO 데이터셋 설정에서 모든 샷 수준에서 알 수 없는 클래스의 평균 재현율(mean recall)이 평균 12.87% 향상됨을 관측하였다. 본 연구의 코드는 https://github.com/binyisu/food 에서 공개되어 있다.