초록
이 논문은 반감독 학습 기반의 의미 분할(semantic segmentation)을 연구한다. 이 방법은 훈련 이미지 중 일부만 레이블이 부여되고 나머지 이미지는 레이블 없이 유지된다는 가정을 전제로 한다. 레이블이 없는 이미지들은 훈련에 사용하기 위해 가상 레이블(pseudo labels)을 부여받는 경우가 많다. 그러나 이러한 가상 레이블은 종종 잘못된 예측에 대한 확증 편향(confirmation bias)을 유발하여 성능 저하의 위험을 초래한다. 본 논문에서는 이러한 가상 레이블 기법의 오랜 문제를 해결하는 새로운 방법을 제안한다. 제안된 방법의 핵심은 오류 지역화 네트워크(Error Localization Network, ELN)이다. ELN은 이미지와 그에 대한 분할 예측을 입력으로 받아, 가상 레이블이 잘못될 가능성이 높은 픽셀을 식별하는 보조 모듈이다. ELN은 훈련 과정에서 레이블 노이즈를 무시함으로써 반감독 학습이 부정확한 가상 레이블에 대해 강건하도록 한다. 또한 ELN은 자가 훈련(self-training)과 대조 학습(contrastive learning)과 자연스럽게 통합될 수 있다. 더불어, ELN의 훈련 과정에서 다양한 실현 가능한 분할 오류를 시뮬레이션함으로써 그 일반화 능력을 향상시키는 새로운 학습 전략을 제안한다. 제안된 방법은 PASCAL VOC 2012 및 Cityscapes 데이터셋에서 평가되었으며, 모든 평가 설정에서 기존의 모든 방법들을 능가하는 성능을 보였다.