주어진 지시에 따라, 입력된 영문 제목을 한국어로 번역하여 출력합니다. 번역 결과는 학술적 어조를 유지하며, LLM/LLMs/Agent/token/tokens 등의 전문 용어는 원어로 유지합니다. 아래는 요청하신 내용에 대한 한국어 번역입니다: 반복 루프 방법: 도메인 적응형 세그멘테이션을 위한 활성 학습과 반감독 학습의 결합

환경 인식은 지능형 교통 시스템에서 중요한 기술로, 특히 도로 환경 분석에 있어 의미 분할(Semantic Segmentation)은 핵심적인 역할을 한다. 최근 컨볼루션 신경망(Convolutional Neural Networks, CNNs)의 급속한 발전으로 인해, 원본 도메인(Source Domain)에서의 도로 장면 분석은 일반적으로 만족할 만한 성능을 달성하고 있다. 그러나 다양한 타겟 도메인(Target Domain) 시나리오에 대한 우수한 일반화 성능을 보장하는 것은 여전히 큰 도전 과제이다. 최근에는 이 문제를 완화하기 위해 반감독 학습(Semi-supervised Learning)과 능동 학습(Active Learning)이 제안되었다. 반감독 학습은 방대한 레이블이 없는 데이터를 활용하여 모델의 정확도를 향상시킬 수 있지만, 훈련 데이터가 제한적이거나 불균형할 경우 노이즈를 포함한 잘못된 가짜 레이블(Pseudo-labels)이 생성될 수 있으며, 인간의 지도가 부재할 경우 하위 최적의 모델이 도출될 수 있다. 반면, 능동 학습은 보다 효과적인 데이터를 선별하여 개입할 수 있으나, 방대한 레이블이 없는 데이터를 활용하지 못하기 때문에 모델 정확도 향상이 제한된다. 특히 도메인 간 차이가 클 경우, 하위 최적의 샘플을 질의할 확률이 증가하여 레이블링 비용이 증가할 수 있다. 본 논문은 능동 학습과 반감독 학습을 결합한 반복 루프 방식을 제안하여 도메인 적응적 의미 분할을 달성한다. 제안하는 방법은 먼저 반감독 학습을 통해 방대한 레이블 없는 데이터를 활용하여 모델 정확도를 향상시키고, 능동 학습에서 보다 정확한 샘플 선택을 위한 모델을 제공한다. 이후 능동 학습의 예측 불확실성 기반 샘플 선택 전략과 결합하여 인간의 개입을 통해 가짜 레이블을 보정한다. 마지막으로 유연한 반복 루프를 통해 최적의 성능을 달성하면서도 최소한의 레이블링 비용을 실현한다. 광범위한 실험 결과를 통해 제안한 방법은 GTAV → Cityscapes 및 SYNTHIA → Cityscapes 작업에서 기존 최고 성능 대비 각각 mIoU 기준 4.9%, 5.2% 향상되어 최신 기준(SOTA) 성능을 확보함을 입증하였다.