반감독 학습을 위한 다중 작업 평균 교사 모델을 통한 그림자 탐지

기존의 그림자 검출 방법은 제한된 레이블 데이터셋에 의존하는 내재적 한계를 가지고 있으며, 복잡한 상황에서는 성능이 저하될 수 있다. 본 논문에서는 비감독 데이터를 활용하고 그림자의 다양한 정보를 동시에 학습하는 방식으로, 반감독 학습 기반의 다중 작업(mean teacher) 모델을 제안함으로써 그림자 검출 성능을 향상시킨다. 구체적으로, 그림자 영역, 그림자 경계선, 그림자 개수를 동시에 검출하기 위해 보완적인 정보를 활용하는 다중 작업 기준 모델을 구축하고, 이 기준 모델을 학습자(student) 및 교사(teacher) 네트워크에 각각 할당한다. 이후, 학습자 및 교사 네트워크가 비라벨 데이터에 대해 산출한 세 가지 작업의 예측 결과 간 일관성을 유도하여 일관성 손실(consistency loss)을 계산하고, 이 손실을 레이블이 있는 데이터에 대해 다중 작업 기준 모델의 예측 결과로부터 계산된 감독 손실에 추가한다. 세 가지 널리 사용되는 벤치마크 데이터셋에서 수행한 실험 결과, 제안한 방법은 비교 대상의 모든 최신 기술보다 일관되게 우수한 성능을 보였으며, 제안된 네트워크가 추가적인 비라벨 데이터를 효과적으로 활용하여 그림자 검출 성능을 향상시킬 수 있음을 입증한다.