IPCL: 자기지도 특성 표현을 개선하기 위한 반복적 의사지도형 대비 학습

비대칭 배치 기반의 자기지도 학습은 컴퓨터 비전 분야에서 표현 학습의 강력한 도구로 부상하고 있다. 하류 작업의 성능은 자기지도 사전 학습 과정에서 학습된 시각적 특징의 품질에 비례한다. 기존의 비대칭 배치 접근법은 레이블이 없는 데이터셋으로부터 은닉 정보를 학습하기 위해 데이터 증강에 크게 의존하고 있다. 본 연구에서는 비대칭 배치 접근법에 클래스 내 변동성( intra-class variation )을 도입함으로써 시각적 표현의 품질을 더욱 향상시킬 수 있다고 주장한다. 본 논문에서는 이미지 증강과 의사 클래스 정보(pseudo-class information)를 균형 있게 조합하여 시각적 표현을 반복적으로 개선하는 새로운 자기지도 학습 방법인 반복적 의사지도 비대칭 학습(Iterative Pseudo-supervised Contrastive Learning, IPCL)을 제안한다. 실험 결과는 제안한 방법이 기존 배치 기반 비대칭 학습 기반의 기본 모델을 초월함을 보여주며, 다양한 데이터셋에서 시각적 표현 품질을 향상시켜 하류 비지도 이미지 분류 작업에서 더 우수한 성능을 달성함을 확인하였다.