Integrating Semi-Supervised and Active Learning for Semantic Segmentation

Created by

Haebom

저자

Wanli Ma, Oktay Karakus, Paul L. Rosin

💡 개요

본 논문은 레이블링 비용을 절감하고 모델 성능을 향상시키기 위해 능동 학습(active learning)과 개선된 준지도 학습(semi-supervised learning) 프레임워크를 통합한 새로운 접근 방식을 제안합니다. 제안된 방법론은 능동 학습으로 선택된 레이블 데이터와 선택 과정에서 제외된 레이블 없는 데이터를 모두 효과적으로 활용하며, 특히 의사 레이블(pseudo-label)의 부정확성을 예측하여 수동 레이블링 예산을 늘리지 않고도 자동화된 의사 레이블 개선 모듈(PLAR)을 통해 오류를 수정합니다.

🔑 시사점 및 한계

•

능동 학습과 준지도 학습을 결합하여 적은 레이블 데이터로도 높은 성능의 의미론적 분할 모델을 구축할 수 있습니다.

•

제안된 PLAR 모듈은 레이블 없는 데이터의 잠재적 오류를 효율적으로 수정하여 전체적인 모델 정확도를 높입니다.

•

수동 레이블링은 PLAR 모듈이 의사결정을 내리지 못하는 가장 불확실한 영역에만 집중되어 레이블링 효율성을 극대화합니다.

•

PLAR 모듈의 성능은 클러스터 가설(cluster assumption)에 기반하며, 레이블 없는 데이터의 특징 표현이 충분히 다양하지 않은 경우 개선이 제한될 수 있습니다.

PDF 보기

Made with Slashpage