반감독형 의미 분할은 강력하고 다양한 변동이 필요합니다.

일관성 정규화는 준지도 분류 문제에서 획기적인 결과를 가져온 접근 방식의 한 유형을 설명합니다. 이전 연구에서는 데이터 분포가 샘플의 균일한 클래스 클러스터로 이루어지고, 이 클러스터 사이에 밀도가 낮은 영역이 존재하는 클러스터 가정이 성공에 중요한 역할을 한다는 것을 확립하였습니다. 우리는 의미 분할 문제를 분석하여 그 분포가 클래스를 구분하는 밀도가 낮은 영역을 나타내지 않는다는 점을 발견하고, 이를 준지도 분할이 어려운 문제라는 점과 성공 사례가 거의 없다는 점을 설명하는 이유로 제시합니다. 그런 다음, 이러한 밀도가 낮은 영역 없이 안정적인 성능을 얻기 위한 증강 방법 선택의 중요성을 확인하였습니다. 우리는 최근 제안된 CutOut 및 CutMix 증강 기법의 변형체가 표준 데이터셋에서 최신의 준지도 의미 분할 결과를 제공함을 발견하였습니다. 또한, 의미 분할의 어려움을 고려하여 준지도 정규화기를 평가하기 위한 효과적인 산물 시험(acid test)으로 작용한다고 제안합니다. 구현: https://github.com/Britefury/cutmix-semisup-seg.