대규모 비라벨 데이터셋에 대한 접근성이 높아짐에 따라, 객체 탐지를 위한 반지도학습(SSOD)에 관한 연구가 점점 더 인기를 얻고 있다. 이러한 SSOD 연구 가운데 의사 라벨링(pseudo-labeling) 방법은 의사 라벨의 정확도에 크게 의존하므로, 성능 저하를 방지하기 위해 부정확한 주석을 반드시 필터링해야 한다. 본 연구는 의사 라벨링 방법에서 발생하는 주석 오류를 거짓음성(FN)과 거짓양성(FP)으로 분류하고, Gaussian modeling을 통해 획득한 불확실성 정보를 이용하여 각 오류 유형에 대한 대응 방안을 제안한다. 네트워크 출력의 불확실성에 기반하여 FN 객체의 배경 학습을 방지함으로써 네트워크 성능을 향상시킨다. 또한, 주석의 불확실성에 근거하여 신뢰도가 낮은 주석을 필터링하고, FP 객체의 학습 반응성(learning reflectivity)을 결정한다. 제안 방법은 네트워크 성능 향상과 학습 복잡성을 고려하여, 단일 의사 라벨 업데이트를 포함하는 1단계 학습(one-phase learning)을 사용함으로써 최소한의 학습 과정으로 최대 성능을 달성한다. 더 나아가, 기대 성능 향상을 증가시키기 위해 최적 업데이트 시점(optimal update point) 탐색을 위한 알고리즘도 제안한다. Pascal VOC, COCO, Cityscapes 데이터셋에 대한 실험 결과, SSD 네트워크는 기준(baseline)에 비해 계산 복잡도가 미미한 수준으로 유지되면서 각각 3.3%, 4.7%, 4.1%의 정확도 향상을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.