약한 예측을 감독으로 쓰기
약하게 교란한 이미지의 예측을 강하게 교란한 이미지의 감독으로 사용하는 틀을 의미 분할에서 재검토한다. 미주석 이미지에서 모형의 예측을 이용하므로 감독의 정확성은 모형 상태에 의존한다.
특징 교란의 추가
강한 영상 증강의 수동 설계만으로는 탐색하는 교란 공간이 제한될 수 있다. 보조 특징 교란 경로를 더해 입력 이미지의 변형 외에도 특징 수준에서 일관성을 학습하게 한다.
하나의 약한 뷰와 두 강한 뷰
영상 수준에서는 두 강한 뷰를 공통 약한 뷰가 동시에 안내하는 이중 경로 교란을 제안한다. 서로 다른 영상의 정답이 같다고 강제하는 것이 아니라 같은 원본에 대한 교란된 관측을 연결하는 구성이다.
일관성의 독립 예
설명용으로 같은 표지판을 밝기 변화와 색 변화로 각각 교란해도 범주 예측은 유지하도록 학습할 수 있다. 하지만 약한 뷰가 틀리면 두 강한 뷰도 같은 오답을 배울 수 있다. 실제 실험을 옮기지 않은 감독 신뢰도의 예다.
관련 문서
반지도 학습 / 의미 분할 / ClassMix / SemiVL / MIC 도메인 적응 / DACS