기본 표현의 중요성
작은 규모로 사전 학습된 기존 인코더를 고정하고 세밀한 학습 기법만 비교하면 기본 표현의 영향을 놓칠 수 있다. UniMatch V2 연구는 더 강한 비전 트랜스포머 인코더로 반지도 분할의 기준선을 바꾸는 방향을 제안한다.
일관성 원리의 계승
V1의 약한 교란에서 강한 교란으로 이어지는 일관성 학습 정신을 유지하면서 구성을 개선하고 단순화한다. 사전 학습 인코더의 변경 효과와 추가 학습 기법의 효과를 구분해서 평가해야 한다.
더 어려운 평가의 필요
일부 기존 평가 자료의 성능이 포화되는 상황을 지적하며 ADE20K와 COCO처럼 범주 체계가 더 복잡한 자료에 주목할 것을 제안한다. 한 시험에서 좋은 결과가 모든 범주와 장면에서 같은 능력을 의미하지는 않는다.
비교 조건의 독립 예
설명용으로 학습 기법은 같아도 인코더의 사전 학습 자료가 크게 달라지면 결과 차이를 기법 하나에만 돌릴 수 없다. 인코더와 자료 조건을 함께 기록해야 한다. 실제 실험 수치를 옮기지 않은 비교 설계의 예다.
관련 문서
UniMatch 반지도 분할 / DINOv2 / 비전 트랜스포머 / 반지도 학습 / SemiVL / ClassMix