반감독 학습 기반의 망막 이미지 매칭을 위한 키포인트 탐지기 및 기술자료

망막 이미지 매칭(RIM)을 위해 우리는 첫 번째 엔드투엔드(end-to-end) 방법인 SuperRetina를 제안한다. SuperRetina는 함께 훈련 가능한 관점 키포인트 검출기와 기술자(Descriptor)를 통합한 구조를 갖는다. 이 모델은 새로운 반감독 학습(semi-supervised) 방식으로 훈련된다. 거의 100장에 달하는 소량의 이미지가 부분적으로 레이블링되어, 혈관 나무 구조 위에서 키포인트를 검출하도록 네트워크를 지도한다. 수동 레이블링의 불완전성 문제를 해결하기 위해 우리는 각 훈련 에포크마다 키포인트 레이블을 풍부하게 하는 '진행형 키포인트 확장(Progressive Keypoint Expansion)' 기법을 제안한다. 키포인트 기반 개선된 트리플릿 손실(triplet loss)을 기술자 손실로 활용함으로써, SuperRetina는 입력 이미지 전체 크기에서 매우 구분력 있는 기술자를 생성한다. 다양한 실제 데이터셋에서 수행된 광범위한 실험을 통해 SuperRetina의 실용성과 효과성이 입증되었다. 수동 레이블링 대신 자동 레이블링(auto labeling)을 도입함으로써 훈련 과정을 완전히 수동 레이블링 없이 진행해도, SuperRetina는 이미지 정렬(image registration)과 정체성 검증(identity verification)이라는 두 가지 RIM 작업에서 여러 강력한 기준 모델들과 경쟁할 수 있는 성능을 보였다. SuperRetina는 오픈소스로 공개될 예정이다.