반복적 자기 훈련을 위한 GIST 및 RIST: 반감독 세그멘테이션

우리는 인간 레이블이 거의 없는 소량의 레이블된 학습 예시만을 이용하여 픽셀 단위의 의미적 객체 마스크를 생성하는 반감독 학습(semi-supervised semantic segmentation) 문제를 고려한다. 본 연구에서는 여러 개선 단계를 거치는 반복적 자기학습(iterative self-training) 방법에 초점을 맞추며, 자기학습이 다수의 개선 단계에 걸쳐 어떻게 동작하는지를 탐구한다. 우리는 고정된 인간 레이블 데이터와 의사 레이블(pseudo-labeled) 데이터 비율을 유지한 채로 단순히 반복 자기학습을 수행할 경우 성능 저하가 발생함을 보여준다. 이를 해결하기 위해 각 개선 단계에서 인간 레이블 데이터 또는 의사 레이블 데이터 중 하나에만 학습하는 전략인 탐욕적 반복 자기학습(Greedy Iterative Self-Training, GIST)과 무작위 반복 자기학습(Random Iterative Self-Training, RIST)을 제안한다. 이러한 전략은 성능 저하 대신 성능 향상을 가져온다. 또한 GIST와 RIST는 기존의 반감독 학습 방법과 결합 가능함을 보여주며, 이를 통해 보다 높은 성능을 달성할 수 있음을 입증한다.