반도체 학습 객체 탐지를 위한 가상 레이블 재고찰

최근 반감독 학습 기반 객체 탐지(SSOD)의 발전은 주로 이미지 분류 작업에 기반한 일관성 기반 의사 레이블링 방법에 의해 촉진되어 왔으며, 이는 의사 레이블을 감독 신호로 사용한다. 그러나 의사 레이블을 활용할 때, 객체 탐지 과제에 있어 핵심적인 위치 정확도(locational precision)와 악화되는 클래스 불균형(class imbalance)에 대한 고려가 부족한 문제가 존재한다. 본 논문에서는 객체 탐지에 특화된 신뢰도 인지 의사 레이블(uncertainty-aware pseudo labels)을 제안한다. 이는 유도된 의사 레이블의 분류 및 위치 정확도를 효과적으로 추정할 수 있도록 설계되었다. 이를 위해 기존의 위치 예측을 분류 작업으로 변환한 후 정밀화하는 방식을 도입한다. 분류 및 위치 정확도 점수를 기반으로, 의사 레이블 생성에 사용되는 임계값을 동적으로 조정하고, 각 클래스에 대한 손실 함수의 가중치를 재조정함으로써 클래스 불균형 문제를 완화한다. 광범위한 실험 결과는 제안한 방법이 COCO 및 PASCAL VOC 데이터셋에서 기존 최고 성능(SSOD)보다 1~2% AP 향상을 달성함을 보여주며, 대부분의 기존 방법들과 독립적이고 보완적인 성능을 발휘함을 확인하였다. 제한된 레이블 데이터 환경에서, 본 방법은 COCO 데이터셋에서 단 1~10%의 레이블 데이터만을 사용하여 감독 학습 기반 모델의 성능을 최대 10% AP 향상시킬 수 있음을 입증하였다.