메타 컨볼루션 신경망을 통한 싱글 도메인 일반화

단일 도메인 일반화(single domain generalization)에서는 하나의 도메인 데이터로만 학습된 모델이 여러 미지의 도메인에서도 우수한 성능을 발휘해야 한다. 본 논문에서는 이미지 인식 분야에서 단일 도메인 일반화 문제를 해결하기 위해 새로운 모델인 메타 컨볼루션 신경망(meta convolutional neural network)을 제안한다. 주요 아이디어는 이미지의 컨볼루션 특징을 메타 특징(meta features)으로 분해하는 것이다. 메타 특징은 "시각적 단어(visual words)"처럼 작용하며, 이미지 표현을 위한 보편적이고 기본적인 시각적 요소로 정의된다(언어에서 문서의 단어와 유사). 메타 특징을 기준으로, 주소 지정(addressing) 과정을 통해 국소적인 컨볼루션 특징에서 관련 없는 특징을 제거하고, 관련 있는 메타 특징들의 조합으로 컨볼루션 특징 맵을 재구성하는 조합적 연산(compositional operations)을 제안한다. 이를 통해 미지 도메인에 대한 편향 정보 없이 이미지를 보편적으로 인코딩할 수 있으며, 이는 원본 도메인에서 학습된 후속 모듈에 의해 처리될 수 있다. 조합적 연산은 온라인 배치 학습(on-line batch learning) 방식으로 메타 특징을 회귀 분석 기법(regression analysis technique)을 통해 학습한다. 다양한 벤치마크 데이터셋에 대한 광범위한 실험을 통해 제안된 모델이 단일 도메인 일반화 능력을 향상시키는 데 있어 우수한 성능을 입증하였다.