원샷 이미지 인식을 위한 메모리 매칭 네트워크

본 논문에서는 메모리와 학습을 통해 비라벨 이미지의 네트워크 파라미터를 즉각적으로 학습하는 컨볼루션 신경망(CNN)을 강화하는 새로운 아이디어를 소개합니다. 구체적으로, 우리는 훈련 절차를 탐구하는 새로운 심층 아키텍처인 메모리 매칭 네트워크(MM-Net)를 제시합니다. 이는 훈련 조건과 테스트 조건이 일치해야 한다는 철학을 따릅니다. 기술적으로, MM-Net은 라벨이 있는 이미지 집합(지원 집합)의 특성을 메모리에 기록하고 추론을 수행할 때 메모리에서 읽어 집합의 지식을 총체적으로 활용합니다. 이와 동시에, 컨텍스트 학습자는 비라벨 이미지에 대한 CNN의 파라미터를 예측하기 위해 메모리 슬롯을 순차적으로 사용합니다. 전체 아키텍처는 클래스당 몇 가지 예제만 보여 주어 한 번에 훈련되며, 학습은 미니배치에서 미니배치로 전환되어 테스트 시 새로운 카테고리의 몇 가지 예제와 함께 제공될 때 원샷 학습을 위해 맞춤화됩니다. 기존의 원샷 학습 접근 방식과는 달리, 우리의 MM-Net은 샷 수와 카테고리의 수에 관계없이 하나의 통합된 모델을 출력할 수 있습니다. 두 개의 공개 데이터 세트인 Omniglot과 miniImageNet에서 광범위한 실험이 수행되었으며, 최첨단 접근 방식과 비교할 때 우수한 결과가 보고되었습니다. 특히, 우리의 MM-Net은 Omniglot에서 원샷 정확도를 98.95%에서 99.28%로, miniImageNet에서는 49.21%에서 53.37%로 향상시킵니다.