세マン틱 세그멘테이션을 위한 소프트 레이블링: 레이블 다운샘플링에 일관성 도입

세마틱 세그멘테이션에서, 제한된 자원, 모델 입력 크기에 맞추기 위한 이미지 크기 조정, 또는 데이터 증강 향상을 위해 흔히 학습 데이터의 다운샘플링이 수행된다. 이러한 다운샘플링은 이미지 데이터와 레이블 데이터에 대해 일반적으로 서로 다른 전략을 적용한다. 이로 인해 다운샘플링된 색상 이미지와 레이블 이미지 사이에 일치하지 않는 현상이 발생하게 되며, 그 결과 다운샘플링 비율이 증가할수록 학습 성능이 크게 저하된다. 본 논문에서는 이미지 데이터와 학습 레이블에 대한 다운샘플링 전략을 통합한다. 이를 위해, 다운샘플링 후 레이블 정보를 더 잘 보존할 수 있도록 소프트 레이블링 기반의 새로운 프레임워크를 제안한다. 이 방법은 소프트 레이블을 이미지 데이터와 완전히 정렬함으로써 샘플링된 픽셀의 분포를 유지한다. 또한, 부족하게 표현되는 세마틱 클래스에 대해 신뢰할 수 있는 어노테이션을 생성한다. 종합적으로, 이 제안은 낮은 해상도에서도 경쟁력 있는 모델을 학습할 수 있게 한다. 실험 결과, 제안한 방법은 다른 다운샘플링 전략들보다 우수한 성능을 보였다. 더불어, 주요 기준 벤치마크에서 최신 기술 수준의 성능을 달성하면서도, 기존 최고 수준의 접근법들에 비해 훨씬 적은 계산 자원을 사용한다. 본 제안은 자원 제약 하에서도 경쟁력 있는 세마틱 세그멘테이션 연구를 가능하게 한다.