재난 이미지와 벤치마크를 위한 소수샷 분류 향상: ATTBHFA‑Net

초록

본 논문은 재난 현장 사진과 기존 벤치마크 데이터에 적용 가능한 소수샷 학습(FSL) 모델인 ATTBHFA‑Net을 제안한다. Bhattacharyya 계수와 Hellinger 거리의 선형 결합을 이용해 특징 확률분포를 비교·집계하고, 이를 프로토타입 형성에 활용한다. 또한, 이 두 거리 기반의 대조 손실을 일반적인 교차 엔트로피와 결합해 학습 효율을 높였다. 네 가지 표준 FSL 벤치마크와 두 개의 재난 이미지 데이터셋에서 기존 최첨단 방법들을 크게 능가하는 성능을 보였다.

상세 분석

ATTBHFA‑Net은 기존 메트릭 기반 소수샷 학습이 갖는 두 가지 근본적인 한계를 동시에 해결한다. 첫째, 재난 이미지와 같이 클래스 내 변동성이 크고 클래스 간 유사성이 높은 데이터에서는 단순 유클리드 거리나 코사인 유사도만으로는 충분히 구분이 어렵다. 논문은 이를 Bhattacharyya 계수를 “푸시” 역할, Hellinger 거리를 “풀” 역할로 활용함으로써 확률분포 공간에서 클래스 간 간격을 급격히 벌리고, 같은 클래스 내 분포는 부드럽게 수렴하도록 설계했다. Bhattacharyya 계수는 두 정규분포의 겹침 정도를 지수적으로 감소시키는 특성을 갖고 있어, 분포가 멀어질수록 손실이 급격히 증가한다. 반면 Hellinger 거리는 제곱근 확률공간에서의 유클리드 거리와 동등하게 작용해, 동일 클래스 내 샘플들의 분포를 안정적으로 끌어당긴다. 이러한 “푸시‑풀” 메커니즘은 기존 대조 학습(SimCLR 등)의 아이디어를 확률분포 수준으로 일반화한 것으로, 특히 변분 오토인코더(VAE)와 결합했을 때 ELBO(증거 하한)와의 수학적 연계가 자연스럽다. 논문은 수정된 ELBO*에 Bhattacharyya 계수를 삽입하고, Hellinger 거리와의 관계를 기존 연구(Lee et al.)와 동일하게 정리함으로써 이론적 일관성을 확보했다.

두 번째 혁신은 공간‑채널 어텐션 메커니즘을 VAE 인코더에 삽입한 점이다. 기존 메타러닝 기반 FSL은 주로 전체 피처 맵을 평균 풀링하거나 단순히 마지막 레이어의 벡터를 사용했지만, ATTBHFA‑Net은 매칭 네트워크에서 영감을 받은 어텐션 블록을 통해 중요한 지역과 채널을 강조한다. 이는 재난 현장 사진에서 구름, 연기, 파손된 구조물 등 핵심 객체가 이미지의 작은 영역에 집중될 때 유용하다. 어텐션 가중치는 Bhattacharyya‑Hellinger 손실과 공동 최적화되어, 어텐션이 강조한 영역의 확률분포가 프로토타입 형성에 더 큰 영향을 미치게 된다.

손실 함수는 세 부분으로 구성된다. ① Bhattacharyya‑Hellinger Softmax 손실(ℓ_BHS)은 기존 SimCLR의 코사인‑소프트맥스 구조를 그대로 차용하되, 코사인 유사도를 Bhattacharyya 계수와 Hellinger 거리의 가중합으로 대체한다. ② 표준 교차 엔트로피 손실(ℓ_CCE)은 클래스 레이블을 직접 지도한다. ③ 재구성 손실(ℓ_rec)은 VAE 특성상 입력 이미지를 복원하도록 강제해, 잠재 변수 z의 표현력을 유지한다. 세 손실의 가중치는 실험을 통해 최적화되었으며, 특히 ℓ_BHS의 비중을 높일수록 고차원 확률분포 간 대조가 강화되어 소수샷 상황에서의 일반화가 크게 향상된다.

실험 결과는 네 가지 표준 FSL 벤치마크(miniImageNet, tieredImageNet, CIFAR‑FS, FC‑100)와 두 개의 재난 이미지 데이터셋(AIDER, CDD)에서 평균 정확도(AA) 기준으로 기존 SOTA(ProtoNet, RelationNet, Meta‑Baseline, VAE‑based 방법 등)를 모두 앞선다. 특히 재난 데이터셋에서는 클래스 간 시각적 유사성이 높아 기존 메트릭 기반 모델이 60% 이하에 머물렀던 반면, ATTBHFA‑Net은 75% 이상을 달성했다. 재구성 이미지 품질에서도 Bhattacharyya 기반 재구성이 KL‑기반 VAE보다 PSNR·SSIM 지표에서 우수함을 보였다.

전반적으로 이 논문은 (1) 확률분포 기반 대조 학습을 통한 새로운 프로토타입 형성 방식, (2) 어텐션과 변분 추론의 효과적인 결합, (3) 재난 현장 이미지와 같은 고난이도 도메인에 대한 실용적 적용 가능성을 동시에 제시한다는 점에서 의미가 크다. 다만, Bhattacharyya와 Hellinger 거리 계산이 고차원 확률분포에 대해 추가 연산 비용을 요구하므로, 실시간 모바일 UAV 적용 시 경량화 방안이 필요할 것으로 보인다.