This paper deals with image processing techniques in poor data situations where the amount of learning data is insufficient. Specifically, given a small number of training data, this paper presents a method for quickly understanding the unseen category and detecting the boundary of the target object. To solve this problem, this work proposes a distance-based classifier equipped with an attention mechanism. The whole network is trained through the episodic training of meta-learning. In addition, a regularization technique is presented to train a more robust classifier. Since this paper is a pioneer work of few-shot edge detection technique, we construct two novel datasets and verify the performance of our model on those datasets.
이 논문에서는 학습데이터의 양이 충분하지 않은 열악한 데이터 상황에서의 이미지 처리 기술을 다루었다. 구체적으로, 소수의 학습 데이터가 주어졌을 때, 목표 카테고리를 빠르게 이해하고 타겟 이미지에서 해당 카테고리의 물체가 존재하는 영역의 가장자리를 검출하는 방법을 제시하였다. 이 문제를 해결하기 위해서 어텐션 메커니즘의 도움을 받는 거리기반의 분류기를 제시하였고, 메타 러닝의 에피소딕 트레이닝 기법을 사용하여 학습을 진행하였다. 또한 보다 강인한 분류기를 훈련하기 위한 정규화 기법을 제시하였으며, 이 논문이 소수샷 가장자리 검출 기술을 처음으로 구성한 사례이기 때문에 직접 제안한 데이터셋들에서 그 성능을 검증해보았다.
