초록 ▼

준감독 학습은 의미 분할 과제에서 비용이 많이 드는 픽셀별 레이블링을 해결하는 데 도움이 된다. 본 연구에서는 준감독 학습 방식에서의 의미 분할 작업에 대한 새로운 방식을 제안한다. 제안한 모델에서는 준감독 학습에서의 일관성 정규화를 전반적으로 활용하였으며 이미지-레이블 쌍을 증폭하고 혼합하여 분할 문제를 푸는 새로운 혼합 프레임워크를 제시 한다. 물체 혼합 프레임워크의 성능을 검증하기 위해 의료 데이터셋인 ISIC-2017과 의미분할 벤치마킹 데이터셋 Pascal VOC에서 실험을 진행했다. 모든 실험에서 물체 기반 혼합 방법인

준감독 학습은 의미 분할 과제에서 비용이 많이 드는 픽셀별 레이블링을 해결하는 데 도움이 된다. 본 연구에서는 준감독 학습 방식에서의 의미 분할 작업에 대한 새로운 방식을 제안한다. 제안한 모델에서는 준감독 학습에서의 일관성 정규화를 전반적으로 활용하였으며 이미지-레이블 쌍을 증폭하고 혼합하여 분할 문제를 푸는 새로운 혼합 프레임워크를 제시 한다. 물체 혼합 프레임워크의 성능을 검증하기 위해 의료 데이터셋인 ISIC-2017과 의미분할 벤치마킹 데이터셋 Pascal VOC에서 실험을 진행했다. 모든 실험에서 물체 기반 혼합 방법인 SemiMix는 다른 비교군들과 유사한 성능을 보였고 물체 변형이 들어간 SemiMix -RandTrans가 가장 높은 성능을 냈다. 물체 변형을 통해서 추가적인 일관성 손실함수를 최소화 할 때 높은 성능을 기대할 수 있었다. 본 연구를 통해 안전한 인공지능 모델을 구축하며, 이를 실제 의료 현장 등 모델 안전성이 중요한 요인이 될 수 있는 활용(application) 영역에 적용할 수 있을 것으로 기대한다.

(출처 : 초록 3p)

Abstract ▼

Semi-supervised learning could be useful for semantic segmentation as dense pixel-wise labeling of images is costly. In this work, we propose a novel approach for semantic segmentation tasks in semi-supervised learning methods. The proposed model utilizes consistency regularization in semi-supervise

Semi-supervised learning could be useful for semantic segmentation as dense pixel-wise labeling of images is costly. In this work, we propose a novel approach for semantic segmentation tasks in semi-supervised learning methods. The proposed model utilizes consistency regularization in semi-supervised learning and presents a novel mixing framework that amplifies and mixes image-label pairs to solve segmentation problems. To verify the performance of the object mixing framework, we conducted experiments on the medical dataset ISIC-2017 and the semantic segmentation bench dataset Pascal VOC. In all experiments, SemiMix, an object-based mixing method, performed similarly to other comparison groups, and SemiMix-RandTrans with object deformation performed the highest. Object deformation allowed us to expect high performance when minimizing additional consistency loss functions. Through this study, we expect to build a safe artificial intelligence model and apply it to safety-critical application such as medical imaging.

(출처 : SUMMARY 6p)

목차 Contents

• 표지 ... 1
• 제 출 문 ... 2
• 보고서 초록 ... 3
• 요 약 문 ... 4
• S U M M A R Y ... 6
• C O N T E N T S ... 7
• 목차 ... 8
• 제 1 장 연구개발과제의 개요 ... 9
• 제 2 장 국내외 기술개발 현황 ... 11
• 제 3 장 연구개발수행 내용 및 결과 ... 12
• 제 4 장 목표 달성도 및 관련 분야에의 기여도 ... 17
• 제 5 장 연구개발결과의 활용계획 ... 18
• 제 6 장 연구개발과정에서 수집한 해외과학기술정보 ... 19
• 제 7 장 참고문헌 ... 20
• 끝페이지 ... 22