초록
최근 몇 년 동안, 의미 분할의 필요성이 다양한 응용 분야와 환경에서 제기되었습니다. 그러나 주석 작업의 비용과 중복성은 종종 모든 영역에서 훈련에 사용할 수 있는 라벨의 양을 제한하며, 한 모델이 여러 영역에서 잘 작동하면 배포가 더 용이합니다. 본 논문에서는 보편적인 반지도 학습 의미 분할이라는 새로운 문제를 제시하고, 주석 및 배포 비용을 줄이는 두 가지 요구 사항을 충족하기 위한 해결 방안 프레임워크를 제안합니다. 미세 조정(fine-tuning), 공동 훈련(joint training) 또는 비지도 도메인 적응(unsupervised domain adaptation)과 같은 다른 접근 방식과 달리, 보편적인 반지도 학습 분할은 모든 도메인에서 다음과 같은 점을 보장합니다: (i) 단일 모델이 배포되며, (ii) 라벨이 부착되지 않은 데이터가 사용되고, (iii) 성능이 개선되며, (iv) 소수의 라벨만 필요하며, (v) 라벨 공간이 다를 수 있습니다. 이를 해결하기 위해, 우리는 감독된 손실뿐만 아니라 도메인 내 및 도메인 간 비지도 손실도 최소화하며, 후자를 위해 픽셀 인식 엔트로피 정규화(pixel-aware entropy regularization) 기반의 새로운 특징 정렬 목표를 소개합니다. 우리는 독일, 영국, 인도 등 다양한 지리적 위치와 실외/실내 환경에서 여러 세그멘테이션 데이터셋 조합에 대해 다른 접근 방식보다 양적 우위를 입증하였으며, 정렬된 표현에 대한 질적 통찰력을 제공하였습니다.