초록
제한된 라벨링 데이터에서 시각적 정보를 이해하는 능력은 기계 학습의 중요한 측면입니다. 이미지 수준 분류는 반감독 학습 환경에서 많이 연구되었지만, 제한된 데이터를 사용한 밀집 픽셀 수준 분류는 최근에야 주목을 받기 시작했습니다. 본 연구에서는 제한된 픽셀 단위로 주석이 달린 샘플을 학습하면서 추가적인 주석이 없는 이미지를 활용하는 반감독 의미 분할 방법을 제안합니다. 이 방법은 두 개의 네트워크 브랜치를 사용하여 반감독 분류와 반감독 분할, 그리고 자기 훈련(self-training)을 연결합니다. 이 듀얼 브랜치 접근 방식은 적은 라벨로 훈련할 때 일반적으로 발생하는 저수준 및 고수준 아티팩트를 줄이는 역할을 합니다. 특히 매우 적은 라벨링된 샘플로 훈련될 때 기존 방법들보다 상당한 개선을 보입니다. PASCAL VOC 2012, PASCAL-Context, Cityscapes 등 여러 표준 벤치마크에서 이 접근 방식은 새로운 최고 성능(state-of-the-art)을 달성하였습니다.