초록
최근 최신의 반감독 학습(SSL) 방법들은 이미지 기반 변환과 일관성 정규화를 핵심 구성 요소로 활용하고 있다. 그러나 이러한 방법들은 전통적인 데이터 증강 또는 두 이미지 간의 볼록 조합과 같은 간단한 변환에 국한되어 있다. 본 논문에서는 복잡한 변환의 다양성을 제공하는 새로운 학습된 특징 기반 정제 및 증강 방법을 제안한다. 특히, 이러한 변환은 클러스터링을 통해 추출한 클래스 내 및 클래스 간 원형 표현(prototypical representations)의 정보를 활용한다. 이미 여러 반복 과정에서 계산된 특징을 메모리 백에 저장함으로써 추가적인 계산 부담 없이 이러한 특징을 활용할 수 있다. 이러한 변환은 기존의 이미지 기반 증강과 결합되어 일관성 기반 정규화 손실의 일부로 사용된다. 실험 결과, 본 방법은 소규모 데이터셋(CIFAR-10 및 SVHN)에서 현재 최고 성능의 방법과 유사한 성능을 보이며, CIFAR-100 및 mini-Imagenet와 같은 대규모 데이터셋에서도 확장 가능함을 입증하였다. 특히 mini-Imagenet에서 기존 최고 성능 대비 절대 17.44%의 성능 향상을 달성하였다. 또한 DomainNet에서 본 방법을 테스트하여 도메인 외의 레이블 없음 데이터에 대해 더 뛰어난 내구성을 보였으며, 철저한 아보레이션(ablative) 실험과 분석을 통해 제안 방법의 타당성을 검증하였다.