보수-진보적 협동 학습을 통한 반감독형 의미 분할

가짜 감독(generative supervision)은 의미 분할(semantic segmentation)을 위한 반감독 학습에서 핵심적인 아이디어로 간주되며, 고품질의 가짜 레이블만을 사용하는 것과 모든 가짜 레이블을 활용하는 것 사이에는 항상 상충 관계가 존재한다. 이러한 문제를 해결하기 위해, 본 연구에서는 새로운 학습 방식인 보수적-진보적 협동 학습(Conservative-Progressive Collaborative Learning, CPCL)을 제안한다. CPCL에서는 두 개의 예측 네트워크를 병렬로 학습하며, 두 예측 결과의 일치와 불일치를 기반으로 가짜 감독을 구현한다. 하나의 네트워크는 교집합 감독을 통해 공통된 특징을 추구하며, 고품질의 레이블로 감독되어 보다 신뢰할 수 있는 학습을 보장한다. 다른 하나의 네트워크는 합집합 감독을 통해 차이를 보존하고, 모든 가짜 레이블로 감독받아 호기심을 가지고 탐색을 지속한다. 이러한 방식을 통해 보수적인 진화와 진보적인 탐색 간의 협업이 가능해진다. 또한, 신뢰도가 낮은 가짜 레이블의 영향을 줄이기 위해 예측 신뢰도에 따라 손실 함수를 동적으로 재가중한다. 광범위한 실험 결과를 통해 CPCL이 반감독 의미 분할 분야에서 최고 수준의 성능을 달성함을 입증하였다.