최소·약지도 기반 시각 위치추정 및 분할 학습

Weakly/Semi-Supervised Vision Localization and Segmentation

연구 내용

최소지도·약지도 조건에서 물체 위치추정과 의미 분할을 안정적으로 수행하기 위한 평가 프로토콜과 학습 기법을 개발하는 연구

최소지도와 이미지 수준 라벨만을 활용하여 물체 위치추정과 의미 분할 성능을 확보하는 것을 목표로 연구를 수행합니다. WSOL이 본질적으로 ill-posed라는 관점에서, 하이퍼파라미터 검증과 모델 선택이 편향되지 않도록 제한된 풀-슈퍼비전 기반 평가 프로토콜을 제안합니다. 또한 엔트로피 정규화, 커리큘럼 기반 클래스 구성, 클래스 계층을 반영한 점진적 학습 등 학습 신호를 구조적으로 설계하여 과도한 주의(attention) 확장이나 불완전한 локалization에 의한 성능 저하를 완화합니다. 아울러 작은 물체와 기상 조건 변화에 대한 강건성 요소를 함께 다룹니다.

관련 프로젝트

2건

연구 흐름

초기에는 이미지 수준 라벨만으로 수행되는 WSOL의 평가가 편향될 수 있음을 분석하고, 검증용 풀-슈퍼비전을 최소화한 새로운 평가 프로토콜을 정립하는 방향으로 연구를 수행했습니다. 이후에는 약지도 객체 위치추정에서 엔트로피 정규화를 통해 학습의 불확실성을 제어하는 방법으로 확장되었습니다. 2024년 이후에는 weakly supervised semantic segmentation으로 범위를 넓혀, 클래스 계층을 활용한 점진적 학습과 클래스-라벨 조합 기반 커리큘럼 학습을 적용하며 분할 품질을 개선했습니다. 최근에는 작은 물체에 대한 학습 민감도와 안개 환경에서의 학습 안정화 등 실환경 강건성을 보강하는 연구로 이어지고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

약지도 객체 위치추정 파이프라인
라벨 비용 절감 기반 분할 모델
다단계 커리큘럼 학습 체계
클래스 계층 반영 인크리멘털 학습
환경 변화 강건화 학습 전략
최소지도 평가 프로토콜 자동화
설명가능성 기반 모델 점검 도구
도심 환경 객체 검출 전처리
모바일 센서 기반 위치추정
실무형 데이터 수집 설계