초록
실제 응용에서 레이블이 부여된 데이터의 비용이 높기 때문에, 가짜 레이블링(f伪 labeling) 기반의 반감독 객체 탐지기가 주목받고 있다. 그러나 혼란스러운 샘플(Confusing samples)을 다루는 것은 쉽지 않다. 유용한 혼란스러운 샘플을 제거하면 모델의 일반화 능력이 저하되지만, 이를 학습에 사용할 경우 필연적인 오라벨링으로 인한 확증 편향(confirmation bias) 문제를 악화시킬 수 있다. 이 문제를 해결하기 위해 본 논문은 레이블 보정 없이 혼란스러운 샘플을 능동적으로 활용하는 방안을 제안한다. 구체적으로, 각 혼란스러운 샘플에 가상 카테고리(Virtual Category, VC)를 부여함으로써, 명확한 레이블 없이도 모델 최적화에 안전하게 기여할 수 있도록 한다. 이는 학습 샘플과 가상 카테고리 간의 임베딩 거리를 클래스 간 거리의 하한선(lower bound)으로 설정함으로써 가능하다. 또한, 위치 회귀를 위한 로컬라이제이션 손실을 개선하여 높은 품질의 경계를 도출할 수 있도록 하였다. 광범위한 실험을 통해 제안된 VC 학습 방법이 기존 최고 수준의 기법들을 크게 능가함을 입증하였으며, 특히 이용 가능한 레이블이 적은 상황에서 뛰어난 성능을 보였다.