한 번 보기 학습을 통한 객체 분류 학습

객체 범주의 시각 모델 학습에는 수백 또는 수천 개의 학습 예제가 필요하다는 것이 잘 알려져 있습니다. 우리는 단 한 장 또는 소수의 이미지로부터 범주에 관한 많은 정보를 학습할 수 있음을 보였습니다. 핵심 통찰은 처음부터 학습하는 대신, 이 범주들이 서로 얼마나 달라도 이전에 학습한 범주로부터의 지식을 활용할 수 있다는 점입니다. 우리는 이 아이디어의 베이지안 구현을 탐구합니다. 객체 범주는 확률 모델로 표현됩니다. 사전 지식은 이 모델들의 매개변수에 대한 확률 밀도 함수로 표현됩니다. 객체 범주에 대한 사후 모델은 하나 이상의 관찰에 따라 사전을 업데이트하여 얻어집니다. 우리는 101개의 다양한 객체 범주 데이터베이스에서 우리 알고리즘의 간단한 구현을 테스트합니다. 베이지안 접근법의 구현으로 학습한 범주 모델을 최대 우도(ML) 및 최대 사후 확률(MAP) 방법으로 학습한 모델과 비교합니다. 100개 이상의 범주 데이터베이스에서, 베이지안 접근법은 다른 방법들이 성공적으로 작동하기에 학습 예제가 너무 적을 때도 유의미한 모델을 생성함을 발견했습니다.