8일 전

도메인 시프트 하에서의 의미 분할을 위한 쌍곡선 활성 학습

Luca Franco, Paolo Mandica, Konstantinos Kallidromitis, Devin Guillory, Yu-Teng Li, Trevor Darrell, Fabio Galasso
도메인 시프트 하에서의 의미 분할을 위한 쌍곡선 활성 학습
초록

우리는 의미 분할을 위한 픽셀 수준의 능동 학습(active learning)을 위한 쌍곡선 신경망 접근법을 제안한다. 데이터 통계 분석을 통해 쌍곡선 반경(hyperbolic radius)을 데이터 부족성의 지표로 새롭게 해석한다. HALO(Hyperbolic Active Learning Optimization)에서는 처음으로 지식 불확실성(epistemic uncertainty)을 데이터 수집 전략으로 활용한다. 이는 가장 알려지지 않은 데이터 포인트를 선택하는 직관에 기반한다. 쌍곡선 반경은 널리 사용되는 예측 엔트로피(prediction entropy)와 함께 지식 불확실성을 효과적으로 근사한다. 본 연구는 GTAV → Cityscapes 및 SYNTHIA → Cityscapes라는 두 가지 확립된 합성 데이터에서 실데이터로의 벤치마크를 기반으로 광범위한 실험 분석을 수행한다. 또한, 도메인 적응 도중 악천후 조건 하에서 Cityscapes → ACDC에 대해 HALO를 테스트하였으며, 합성곱(convolutional) 및 주의 기반(attention-based) 백본을 모두 비교 평가하였다. HALO는 도메인 시프트(domain shift) 상황에서 의미 분할을 위한 능동 학습 분야에서 새로운 최고 성능(state-of-the-art)을 달성하였으며, 단지 소량의 레이블(예: 1%)만을 사용함에도 불구하고, 감독 기반 도메인 적응의 성능을 초월하는 최초의 능동 학습 접근법이다.

도메인 시프트 하에서의 의미 분할을 위한 쌍곡선 활성 학습 | 최신 연구 논문 | HyperAI초신경