데이터 수집이 제한적인 상황(예: 화재 탐지)에서는 소수의 라벨이 부여된 소량 데이터만으로 탐지율을 향상시키기 어렵다. 따라서 많은 관련 연구가 수행되었으며, 그중에서도 준지도 학습 방법이 탐지율 향상에 있어 좋은 성과를 보였다. 최근의 대부분 준지도 학습 모델은 의사 라벨(pseudo-label) 방법을 사용한다. 그러나 오라벨(false labels)로 인해 실제 라벨 분포에서 벗어난 샘플에 대해서는 정확하게 라벨링하기가 어렵다는 문제가 있다. 다시 말해, 데이터 증강에 사용되는 의사 라벨로 인해 잘못된 편향이 누적될 수 있으며, 이는 최종 가중치에 부정적인 영향을 미칠 수 있다. 이를 개선하기 위해 우리는 예측 결과 라벨링 값과 정답 값이 유사한 Similar-labeled 데이터를 생성하는 방법을 제안하였고, 초기 학습 동안 비디오에서 F-guessed 방법과 관심 영역(Region of Interest, ROI) 표현 방법을 통해 이를 적용하였다. 이 방법은 초기 단계에서 편향이 왜곡되는 것을 방지하는 효과가 있다. 그 결과, 데이터 생성량이 초기 라벨 데이터 5,565에서 41,712로 약 6.5배 증가하였고, mAP@0.5는 65.9%에서 92.0%로 약 26.1% 향상되었으며, 손실(loss)은 3.347에서 1.69로 개선되었다.

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