강한 증강을 사용하는 자기 학습
기본 ST는 미주석 이미지에 강한 자료 증강을 주어 잡음 레이블에 대한 과적합을 줄이고 교사와 학생의 유사한 예측을 분리하려 한다. 단순한 기본 구조의 효과와 선택적 재학습의 추가 효과를 나누어 살펴야 한다.
예측 안정성으로 이미지 선택하기
초기 지도 학습 중 여러 모형 체크포인트를 저장한다. 이들이 같은 미주석 이미지에 내는 예측의 차이를 신뢰도 측정에 사용한다. ST 플러스플러스는 안정적인 이미지를 우선해 선택적 재학습을 수행한다.
픽셀 선택과 이미지 선택
이미지 단위 선택은 학습에 전체적인 문맥 정보를 제공한다. 픽셀마다 독립적으로 신뢰도를 고르는 방식과 다르다. 이미지 전체가 안정적이라는 사실이 모든 픽셀의 정답을 확인했다는 뜻은 아니다.
안정성의 독립 예
설명용으로 여러 체크포인트가 모두 울타리를 벽으로 예측하면 출력은 안정적이지만 틀릴 수 있다. 시간에 따른 일치와 정답에 대한 정확성을 구분해야 한다. 실제 연구 결과를 옮기지 않은 신뢰도 해석의 예다.
관련 문서
반지도 학습 / UniMatch 반지도 분할 / CPS 반지도 분할 / U2PL / ClassMix / CRST