분류와 분할의 증강 차이
분류는 영상 하나의 범주를 다루지만 의미 분할은 위치별 범주를 예측한다. 분류에 유용한 증강이 분할에서도 같은 효과를 내는 것은 아니다. ClassMix는 분할의 구조를 고려한 자료 혼합을 제안한다.
예측 범주의 영역을 섞기
모형이 예측한 범주 중 일부 영역을 한 이미지에서 잘라 다른 이미지에 붙여 새 표본을 만든다. 단순 사각형보다 의미 경계를 존중하는 혼합을 지향한다. 경계는 정답 주석이 아니라 네트워크 예측에 의존한다.
예측 오류가 남는 조건
미주석 자료의 예측이 틀리면 혼합 영역이나 감독도 부정확할 수 있다. 반지도 증강을 사용한다는 사실이 모든 새 표본의 정확성을 보장하지는 않는다. 자료 혼합 방식과 학습 조건을 함께 평가해야 한다.
경계 선택의 독립 예
설명용으로 나무 영역을 옮길 때 잎 사이의 하늘을 나무로 잘못 포함하면 합성 경계도 달라진다. 의미 기반 마스크도 예측 품질에 따라 불필요한 배경을 함께 옮길 수 있다. 실제 연구 그림을 옮기지 않은 경계 의존성의 예다.
관련 문서
DACS / MIC 도메인 적응 / 의미 분할 / 반지도 학습 / DAFormer / HRDA