소수의 레이블을 가진 객체 탐지에서 겸손한 교사 모델이 더 나은 학습자를 가르친다

우리는 교사-학생 이중 모델 프레임워크를 따르는 현대적 객체 탐지기의 반감독 학습 접근법을 제안한다. 본 연구의 방법은 다음과 같은 특징을 갖는다. 1) 학생 모델의 온라인 업데이트를 기반으로 교사 모델을 지수 이동 평균 전략으로 갱신하는 점, 2) 많은 수의 영역 제안(region proposals)과 소프트 편가(label)를 학생 모델의 학습 타깃으로 사용하는 점, 3) 교사 모델이 보다 신뢰할 수 있는 편가를 생성하기 위해 경량화된 탐지 특화 데이터 앙상블(data ensemble)을 활용하는 점이다. 최근 최상의 성능을 기록한 STAC 방법은 희소하게 선택된 어려운 편가 샘플에 하드 레이블(hard labels)을 사용하는 반면, 본 연구의 교사 모델은 많은 제안 영역에 대해 소프트 레이블을 제공함으로써 학생 모델에게 풍부한 정보를 전달한다. VOC07 검증 세트에서 VOC12 데이터를 비라벨 데이터로 활용할 경우, 본 모델은 COCO 스타일의 AP(평균 정확도) 53.04%를 달성하며, STAC 대비 8.4% 향상된 성능을 보였다. MS-COCO 데이터셋에서는 라벨링된 데이터의 소수만을 사용하는 상황에서도 기존의 최선의 방법을 초월하는 성능을 보였다. 또한, 라벨링된 데이터와 유사한 크기의 비라벨 데이터를 활용함으로써 MS-COCO test-dev에서 53.8%의 AP를 기록하며, 완전히 라벨링된 ResNet-152 Cascaded R-CNN 대비 3.1% 향상된 성능을 달성하였다.