마진널 컨텍스추얼 정보를 통한 반감독형 세마틱 세그멘테이션

우리는 반감독 학습(semi-supervised semantic segmentation)에서 의사 레이블(pseudo labels)의 품질을 향상시키기 위한 새로운 신뢰도 보정 방식을 제안한다. 기존의 방법들이 낮은 신뢰도 예측을 가진 픽셀을 별도로 필터링하는 데 그치는 반면, 본 연구에서는 분할 맵 내 레이블의 공간적 상관관계를 활용하여 인접한 픽셀들을 그룹화하고, 그들의 의사 레이블을 종합적으로 고려한다. 이러한 맥락 정보를 기반으로, 본 연구에서 제안하는 S4MC(Spatially-structured Self-supervised Multi-Context) 방법은 훈련 과정에서 사용하는 미라벨 데이터의 양을 늘리면서도 의사 레이블의 품질을 유지할 수 있으며, 계산 부담은 거의 증가하지 않는다. 표준 벤치마크에서 실시한 광범위한 실험을 통해 S4MC가 기존 최고 수준의 반감독 학습 방법들을 능가함을 입증하였으며, 밀도 높은 레이블링 데이터 확보 비용을 줄이는 데 있어 유망한 해결책을 제시한다. 예를 들어, PASCAL VOC 12 데이터셋에서 366개의 레이블링 이미지만을 사용할 경우, S4MC는 기존 기법 대비 1.39 mIoU의 성능 향상을 달성하였다. 본 연구의 실험 재현을 위한 코드는 https://s4mcontext.github.io/ 에 공개되어 있다.