현재 소수 샘플 학습 방법이 과적합에 취약하고 도메인 간 일반화 능력이 부족한 문제를 해결하기 위해, 학습에 의존하지 않고 과적합을 완화하는 저장소 컴퓨팅의 특성에서 영감을 받아 저장소 컴퓨팅 기반 소수 샘플 학습 방법(Reservoir Computing based Network for Few-shot Image Classification, RCFIC)을 제안하였다. 전체 방법은 특징 추출 모듈, 특징 강화 모듈 및 분류기 모듈로 구성된다. 특징 강화 모듈은 저장소 모듈과 저장소 기반 주의 메커니즘으로 구성되어 특징 추출 네트워크의 특징을 채널 수준과 픽셀 수준에서 각각 강화하며, 동시에 코사인 분류기를 결합하여 네트워크가 클래스 간 분산은 크고 클래스 내 분산은 낮은 특징 분포를 학습하도록 유도한다. 실험 결과는 본 알고리즘이 Cifar-FS, FC100, Mini-ImageNet 데이터셋에서 기존 방법보다 최소 1.07% 높은 분류 정확도를 보이며, Mini-ImageNet에서 CUB-200으로의 도메인 간 설정에서도 차선 방법보다 1.77% 우수한 성능을 나타냄을 보여준다. 또한 소거 실험은 RCFIC의 유효성을 검증하였다. 제안된 방법은 일반화 능력이 뛰어나 소수 샘플 이미지 분류에서 과적합 문제를 효과적으로 완화하고 도메인 간 문제를 일정 부분 해결할 수 있다.

소수 샘플 학습; 저장소 컴퓨팅; 주의 메커니즘; 특징 강화; 이미지 분류