Few-Shot Learning

일반적인 딥러닝의 경우 데이터의 양이 많을수록 좋은 퍼포먼스를 보인다.
그러나 양질의 데이터를 확보하고 전처리하는 일련의 과정 자체가 많은 비용을 필요로 하는 작업이다.

 

때문에 작은 데이터를 사용하여서도 좋은 퍼포먼스를 보일 수 있는 방법에 대해 연구가 진행되었고,
그 과정에서 탄생한 것이 하나의 데이터를 통해서도 학습이 가능한 Few-Shot Learning 이다.

 

Few-Shot Learning 에서는 데이터셋을 훈련에 사용하는 서포트 데이터와 테스트에 사용하는 쿼리 데이터로 구성한다.
서포트 데이터만을 사용하여 모델을 학습한 후, 쿼리 데이터를 통해 모델의 성능을 평가하게 된다.

출처 : https://neptune.ai/blog/understanding-few-shot-learning-in-computer-vision

Understanding Few-Shot Learning in Computer Vision - What You Need to Know - neptune.ai

이 때 서포트 데이터에서 예측해야 하는 클래스가 N개 존재하고 각 클래스마다 K개의 데이터가 사용되는 방식을 N-way K-shot 이라고 하며, 일반적으로 5-Way 1-Shot 또는 5-Way 5-Shot 문제를 다루게 된다.

 

Few-Shot Learning 을 구현하는 방법은 다양하게 존재하지만, 가장 널리 사용되는 방식은 Metric-based Approach 이다. Metric-based Approach 는 이미지 간의 유사도와 거리를 학습해 쿼리 데이터가 주어졌을 때 가장 유사한 클래스를 예측하는 방법이다.