초록
반감독(semi-supervised) 의미 분할은 제한된 레이블링된 이미지에서의 레이블 정보를 비레이블 이미지로 효과적으로 전파하는 모델의 능력을 요구한다. 이러한 픽셀 단위 예측 작업의 주요 과제는 클래스 내 변동성(intra-class variation)이 크다는 점이다. 즉, 동일한 이미지 내에서도 같은 클래스에 속하는 영역이 매우 다른 외형을 보일 수 있다는 의미이다. 이러한 다양성은 픽셀 간 레이블 전파를 어렵게 만든다. 이 문제를 해결하기 위해, 클래스 내 특징 분포를 정규화함으로써 레이블 전파의 어려움을 완화하는 새로운 접근법을 제안한다. 구체적으로, 선형 예측기의 예측과 프로토타입 기반 예측기의 출력 간 일관성을 유도함으로써, 동일한 가상 클래스(pseudo-class)에서 생성된 특징들이 적어도 하나의 클래스 내 프로토타입에 가까워지면서 다른 클래스의 프로토타입과는 멀리 떨어져 있도록 유도한다. 또한 CutMix 연산과 신중하게 설계된 프로토타입 유지 전략을 추가로 도입함으로써, Pascal VOC 및 Cityscapes 벤치마크에서 광범위한 실험 평가를 통해 기존 최고 수준의 방법들보다 우수한 성능을 보이는 반감독 의미 분할 알고리즘을 구현하였다.