MergedNET: 유사성 레이어를 기반으로 한 사미안 네트워크에서 one-shot 학습을 위한 간단한 접근법

라벨이 적은 데이터 포인트를 가진 분리된 클래스에 대해 훈련된 분류기는 원샷 학습에서 다른 클래스의 시각적 개념을 식별하는 데 사용된다. 최근에는 시엠즈 네트워크(Siamese networks)와 유사도 레이어(similarity layers)가 원샷 학습 문제를 해결하는 데 활용되며, 시각적 문자 인식 데이터셋에서 최고 성능을 달성하고 있다. 수년에 걸쳐 이러한 네트워크의 세부 이미지 분류 데이터셋에서의 성능을 향상시키기 위한 다양한 기법들이 개발되어 왔다. 이들 기법은 주로 손실 함수와 활성화 함수 개선, 시각적 특징 증강, 다중 해상도 거리 측정 학습, 그리고 백본 네트워크의 사전 훈련과 미세 조정에 초점을 맞추고 있다. 본 연구에서는 원샷 학습 과제를 위한 유사도 레이어를 탐구하고, 이러한 레이어들을 MergedNet 네트워크에 통합하기 위한 두 가지 프레임워크를 제안한다. 실험에서 사용한 네 가지 데이터셋 전반에서 MergedNet은 분류 정확도 측면에서 기준 모델들을 모두 상회하였으며, miniImageNet에서 훈련된 후 다른 데이터셋으로의 일반화 성능도 우수하게 나타났다.