비지도 적인 소수 샘플 이미지 분류: 클러스터링 공간으로의 특징 학습을 통한 접근

대부분의 소수 샘플 이미지 분류 방법은 작업 기반으로 훈련된다. 일반적으로 이러한 작업은 레이블이 많은 기반 클래스(base classes)에 기반하여 구성되며, 이는 상당한 노력을 수반한다. 반면, 비지도 소수 샘플 이미지 분류 방법은 레이블이 필요 없으며, 그 이유는 작업을 레이블이 없는 이미지 위에 구성하기 때문이다. 레이블이 없는 이미지를 효율적으로 활용하여 작업을 구성하기 위해, 우리는 새로운 단계적 군집화 방법을 제안한다: 클러스터링 공간으로의 특징 학습(Learning Features into Clustering Space, LF2CS). 이 방법은 먼저 고정된 군집 중심을 기반으로 분리 가능한 군집 공간을 설정한 후, 학습 가능한 모델을 사용하여 특징을 해당 공간으로 학습시킨다. 제안한 LF2CS를 기반으로, 이미지 샘플링 및 c-way k-shot 작업 구성 방식을 제안한다. 이를 바탕으로, 학습 가능한 모델, 군집화, 소수 샘플 이미지 분류를 공동으로 학습하는 새로운 비지도 소수 샘플 이미지 분류 방법을 제안한다. 실험 및 시각화 결과는 LF2CS가 새로운 클래스에 대해 뛰어난 일반화 능력을 갖는다는 것을 보여준다. 이미지 샘플링 관점에서 작업 구성 방식에 따라 네 가지 베이스라인을 구현하였으며, Conv-4 및 ResNet-12 백본을 기반으로 Omniglot, miniImageNet, tieredImageNet, CIFARFS 데이터셋에서 실험을 수행하였다. 실험 결과, 제안한 방법이 최신 기술들을 모두 상회함을 확인하였다.