Semi-Supervised Semantic Segmentation에서의 Weak-to-Strong Consistency 재검토

본 연구에서는 FixMatch가 준지도 분류에서 인기화시킨 약한 일관성에서 강한 일관성으로의 프레임워크를 재검토합니다. 이 프레임워크에서 약하게 변형된 이미지의 예측이 해당 이미지의 강하게 변형된 버전에 대한 지도로 활용됩니다. 흥미롭게도, 이러한 간단한 파이프라인이 우리의 세그멘테이션 시나리오로 전환될 때 최근의 고급 연구들과 경쟁할 수 있는 성능을 보이는 것을 발견했습니다. 그러나, 그 성공은 강력한 데이터 증강을 수동으로 설계하는 데 크게 의존하고 있으며, 이는 더 넓은 변형 공간을 탐색하기에는 제한적이고 부족할 수 있습니다. 이를 바탕으로, 우리는 보조적인 특징 변형 스트림을 보완책으로 제안하여 변형 공간을 확장하였습니다. 또한, 원본 이미지 수준의 증강을 충분히 탐색하기 위해 공통적인 약한 뷰에 의해 동시에 안내되는 두 개의 강한 뷰를 가능하게 하는 듀얼-스트림 변형 기술을 소개합니다. 결과적으로, 우리의 전체적인 통합 듀얼-스트림 변형 접근법 (UniMatch)는 Pascal, Cityscapes, COCO 벤치마크에서 모든 평가 프로토콜에 걸쳐 기존 모든 방법들을 크게 능가하며, 원격 감지 해석 및 의료 영상 분석에서도 우수성을 입증하였습니다. 우리는 재생산된 FixMatch와 우리의 결과가 미래 연구들에 영감을 줄 수 있기를 바랍니다. 코드와 로그는 https://github.com/LiheYoung/UniMatch에서 확인할 수 있습니다.