Semi-Supervised Instance Segmentation을 위한 지도된 디스틸레이션

인스턴스 분할 방법이 크게 개선되었음에도 불구하고, 주요 패러다임은 여전히 완전히 주석화된 훈련 이미지에 의존하고 있으며, 이는 획득하기가 번거롭습니다. 이러한 의존성을 완화하고 결과를 향상시키기 위해, 준지도 접근 방식은 라벨이 붙지 않은 데이터를 추가적인 훈련 신호로 활용하여 라벨된 샘플에 대한 과적합을 제한합니다. 이 맥락에서, 우리는 교사-학생 증류 모델의 성능을 크게 향상시키는 새로운 설계 선택을 제시합니다. 특히, (i) 새로운 "가이드드 버닝 인(guided burn-in)" 단계를 도입하여 증류 접근 방식을 개선하고, (ii) 다양한 인스턴스 분할 아키텍처 및 백본 네트워크와 사전 학습 전략을 평가합니다. 기존 연구에서는 학생 모델의 버닝 인 기간 동안 감독된 데이터만 사용하는 반면, 우리는 교사 모델의 안내를 통해 라벨이 붙지 않은 데이터도 버닝 인 기간에 활용하였습니다. 우리의 개선된 증류 접근 방식은 이전 최신 연구 결과보다 큰 향상을 가져왔습니다. 예를 들어, Cityscapes 데이터셋에서 10%의 이미지에 대한 라벨을 사용할 때 마스크 AP(mask-AP)가 23.7에서 33.9로 향상되었으며, COCO 데이터셋에서는 1%의 훈련 데이터에 대한 라벨만 사용해도 마스크 AP가 18.3에서 34.1로 향상되었습니다.