관계형 네트워크 편집하기
최신판 | 당신의 편집 | ||
8번째 줄: | 8번째 줄: | ||
연구원들은 쿼리 세트의 입력 영상을 샘플 이미지로 분류된 몇 개의 샷과 비교하는 방법을 학습함으로써 몇 개의 샷 분류를 수행할 수 있도록 2개의 브랜치 관계형 네트워크를 제안했다. 네트워크는 임베딩 모듈 및 관계 모듈의 두 가지 모듈로 구성된다. 내장 모듈은 쿼리와 지원 세트 이미지를 표현한다. 그런 다음, 관계 모듈은 이러한 임베딩을 비교하여 동일한 등급에 속하는지 여부를 결정한다. 퓨샷 러닝(Few-shot Learning) 방법은 이전 접근법을 능가하며, 순환 신경망 없으므로 더 단순하고, 정밀한 조정이 필요 없어 더 빠르다. 쿼리 세트와 지원 세트의 이미지 샘플은 샘플링되고 임베딩 모듈에 공급되어 해당 기능 맵을 생성한다. 두 형상 맵은 연산자 <math>C(\cdot, \cdot)</math>와 연결되고 관계 모듈 <math>g_{\phi}</math>에 전달되어 유사성/관계 점수 [0,1]을 생성한다. 이 관계 점수<math>r_{i,j}</math>는 쿼리 입력과 지원 샘플 예제 사이의 친밀도를 알려준다. | 연구원들은 쿼리 세트의 입력 영상을 샘플 이미지로 분류된 몇 개의 샷과 비교하는 방법을 학습함으로써 몇 개의 샷 분류를 수행할 수 있도록 2개의 브랜치 관계형 네트워크를 제안했다. 네트워크는 임베딩 모듈 및 관계 모듈의 두 가지 모듈로 구성된다. 내장 모듈은 쿼리와 지원 세트 이미지를 표현한다. 그런 다음, 관계 모듈은 이러한 임베딩을 비교하여 동일한 등급에 속하는지 여부를 결정한다. 퓨샷 러닝(Few-shot Learning) 방법은 이전 접근법을 능가하며, 순환 신경망 없으므로 더 단순하고, 정밀한 조정이 필요 없어 더 빠르다. 쿼리 세트와 지원 세트의 이미지 샘플은 샘플링되고 임베딩 모듈에 공급되어 해당 기능 맵을 생성한다. 두 형상 맵은 연산자 <math>C(\cdot, \cdot)</math>와 연결되고 관계 모듈 <math>g_{\phi}</math>에 전달되어 유사성/관계 점수 [0,1]을 생성한다. 이 관계 점수<math>r_{i,j}</math>는 쿼리 입력과 지원 샘플 예제 사이의 친밀도를 알려준다. | ||
− | <math> r_{i,j} = g_{\phi}(C | + | <math> r_{i,j} = g_{\phi}(C(f_{\varphi})(x_i),\ (f_{\varphi})(x_j))),\ i = 1,\ 2,\ \cdots,\ C </math> |
평균 제곱 오류 손실은 그라운드 진실에 대한 관계 점수를 역행하면서 네트워크를 훈련하는 데 사용된다. 가장 가까운 유사성을 공유하면 값이 1에 가까워지는 반면, 일치하지 않는 쌍은 0에 가까워진다. 예를 들어 5-way, 1-shot 분류 과제를 훈련하기 위해 5개 등급의 샘플 각각을 샘플링하여 지원 세트를 구성하고, 1개의 입력 이미지를 쿼리 세트 또는 테스트 세트로 선택한다. 이들은 고차원 벡터에서 형상을 추출하기 위해 임베딩 모듈로 먼저 공급될 것이다. 그런 다음 모든 피쳐 벡터가 관계 모듈에 연결되어 관계 점수를 생성하며, 쿼리 세트의 이미지가 어떤 클래스에 속하는지 결정한다. 쿼리 세트의 형상 벡터가 서포트 세트의 도그 이미지와 상대적으로 근접할 때 관계 점수는 더 높은 점수를 받게 된다.<ref name="미디움"></ref> | 평균 제곱 오류 손실은 그라운드 진실에 대한 관계 점수를 역행하면서 네트워크를 훈련하는 데 사용된다. 가장 가까운 유사성을 공유하면 값이 1에 가까워지는 반면, 일치하지 않는 쌍은 0에 가까워진다. 예를 들어 5-way, 1-shot 분류 과제를 훈련하기 위해 5개 등급의 샘플 각각을 샘플링하여 지원 세트를 구성하고, 1개의 입력 이미지를 쿼리 세트 또는 테스트 세트로 선택한다. 이들은 고차원 벡터에서 형상을 추출하기 위해 임베딩 모듈로 먼저 공급될 것이다. 그런 다음 모든 피쳐 벡터가 관계 모듈에 연결되어 관계 점수를 생성하며, 쿼리 세트의 이미지가 어떤 클래스에 속하는지 결정한다. 쿼리 세트의 형상 벡터가 서포트 세트의 도그 이미지와 상대적으로 근접할 때 관계 점수는 더 높은 점수를 받게 된다.<ref name="미디움"></ref> |