Semi-supervised Semantic Segmentation에서의 시간적 지식 재검토 및 최대화

반감독 의미 분할에서 Mean Teacher 및 공동 학습(co-training) 기반 접근법은 확인 편향과 결합 문제를 완화하기 위해 사용됩니다. 그러나 이러한 접근법이 높은 성능을 보이는 반면, 복잡한 학습 파이프라인과 큰 계산 부담을 동반하여 이 방법들의 확장성과 호환성을 제한합니다. 본 논문에서는 이러한 한계를 효과적으로 극복하기 위해 학습 과정에서 얻어진 시간적 지식의 활용도를 최대화하는 PrevMatch 프레임워크를 제안합니다. PrevMatch 프레임워크는 두 가지 핵심 전략에 기초합니다: (1) 시간적 지식의 사용을 재고하고, 이를 통해 학습 과정에서 얻은 이전 모델들을 직접 활용하여 추가적인 의사 라벨 가이던스(pseudo-label guidance)를 생성하며, 이를 이전 가이던스(previous guidance)라고 합니다. (2) 이전 가이던스의 효율성을 극대화하기 위해 고도로 무작위화된 앙상블 전략을 설계하였습니다. 네 개의 벤치마크 의미 분할 데이터셋에 대한 실험 결과는 제안된 방법이 다양한 평가 프로토콜에서 기존 방법들을 일관되게 능가함을 확인해주었습니다. 특히 DeepLabV3+와 ResNet-101 네트워크 설정에서, 92개의 주석된 이미지만으로 Pascal VOC에서 기존 최신 방법인 Diverse Co-training보다 +1.6 mIoU(mIoU: mean Intersection over Union)를 높이며, 2.4배 더 빠른 학습 속도를 달성하였습니다. 또한 결과는 PrevMatch가 안정적인 최적화를 유도하며, 특히 성능이 저조한 클래스들에 긍정적인 영향을 미친다는 것을 나타냅니다. 코드는 https://github.com/wooseok-shin/PrevMatch 에서 제공됩니다.