본 논문은 의미 분할에서 수동 픽셀 단위 주석의 높은 비용과 오류 발생 가능성 문제를 해결하기 위해 활성 라벨 수정(ALC) 프레임워크인 A$^2$LC를 제안합니다. A$^2$LC는 기존 ALC 파이프라인에 자동 수정 단계를 통합하여 효율성을 높입니다. 기존 방법과 달리 주석자 피드백을 활용하여 질의된 샘플을 넘어 라벨 수정을 수행하고, 과소표현된 클래스에 중점을 둔 적응형 균형 획득 함수를 도입하여 자동 수정 메커니즘을 보완합니다. Cityscapes와 PASCAL VOC 2012 데이터셋 실험 결과, A$^2$LC는 기존 최첨단 방법보다 훨씬 우수한 성능을 보이며, 기존 방법의 20% 예산만 사용하여도 더 나은 성능을 달성하고, 동일한 예산으로 Cityscapes 데이터셋에서 27.23%의 성능 향상을 달성했습니다.
