교차 의사 supervision를 활용한 반감독형 의미 분할

본 논문에서는 레이블이 부여된 데이터와 추가적인 레이블이 없는 데이터를 동시에 탐색함으로써 반감독(semi-supervised) 세그멘테이션 문제를 연구한다. 우리는 새로운 일관성 정규화 기법인 크로스 편가감독(Cross Pseudo Supervision, CPS)을 제안한다. 본 방법은 동일한 입력 이미지에 대해 서로 다른 초기화로 편향된 두 개의 세그멘테이션 네트워크 간에 일관성을 강제한다. 한 쪽의 편향된 세그멘테이션 네트워크에서 출력된 가상의 one-hot 레이블 맵을 다른 네트워크를 학습시키는 데 사용하며, 이 과정에서 표준 크로스 엔트로피 손실을 적용하고, 그 반대도 동일하게 수행한다. CPS 일관성은 두 가지 역할을 수행한다: 첫째, 동일한 입력 이미지에 대해 두 개의 편향된 네트워크의 예측 결과 간에 높은 유사성을 유도하고, 둘째, 가상 레이블을 부여한 레이블이 없는 데이터를 활용하여 학습 데이터를 확장한다. 실험 결과, 제안한 방법은 Cityscapes 및 PASCAL VOC 2012 데이터셋에서 최신 기술(SOTA) 수준의 반감독 세그멘테이션 성능을 달성하였다. 코드는 https://git.io/CPS에서 제공된다.