비편향된 교사 모델을 이용한 반감독 객체 검출

반감독 학습, 즉 라벨이 부착된 데이터와 라벨이 부착되지 않은 데이터를 모두 사용하여 네트워크를 훈련시키는 방법은 최근에 상당한 진전을 이룩하였습니다. 그러나 기존 연구들은 주로 이미지 분류 작업에 초점을 맞추고 있으며, 더 많은 주석 작업이 필요한 객체 검출에는 관심을 덜 기울여 왔습니다. 본 연구에서는 반감독 객체 검출(SS-OD)을 재검토하고 SS-OD에서 발생하는 가짜 라벨링 편향 문제를 식별하였습니다. 이를 해결하기 위해, 우리는 서로에게 유익하게 작용하는 방식으로 학생 모델과 점진적으로 발전하는 교사 모델을 공동으로 훈련시키는 간단하면서도 효과적인 접근법인 '편향되지 않은 교사' (Unbiased Teacher)를 소개합니다. 클래스 균형 손실을 통해 과도하게 확신한 가짜 라벨의 중요도를 낮추는 방법과 함께, 편향되지 않은 교사는 COCO 표준, COCO 추가, 그리고 VOC 데이터셋에서 현행 최고 수준의 방법들을 크게 개선하였습니다. 특히, MS-COCO에서 1%의 라벨이 부착된 데이터만 사용할 때 편향되지 않은 교사는 최고 수준의 방법 대비 6.8 절대 mAP(평균 정밀도) 개선을 이루었으며, 0.5%, 1%, 2%의 라벨이 부착된 데이터만 사용할 때는 감독 학습 베이스라인 대비 약 10 mAP 개선을 보였습니다.