Abstract
현재 데이터 증강 분야가 지속적 발전을 하고 있으나 초기에 적은 학습 데이터로 인하여 편향된 바이어스가 학습에 악영향을 주는 것을 개선하기 위한 연구는 적어 보인다. 본 논문에서는 가짜(Pseudo) 라벨링 시 초기에 편향된 라벨링으로 인하여 화재 오인식 및 데이터 증강에 악영향을 주므로 이를 개선하기 위하여 Mc-pseudo 라벨링 방식을 도입하였다. Mc-pseudo 라벨링 방식은 초기에 라벨링 한 가짜 라벨링에도 잘못된 정보로 학습할 수 있다고 가정을 하고 몬테카를로 드롭아웃을 활용하여 라벨링의 불확실성 분포를 예측하고 불확실성(Uncertainty)이 높은 특정 라벨링에 대해서는 라벨링을 보류하거나 변경하는 방식으로 학습의 정확도를 개선하였다. 그 결과 실제 사람이 손으로 라벨링 한 데이터와 비교 시 loss는 약 1.7%, mIOU는 9.09% 개선되었으며, mAP@50은 약 8% 개선된 결과를 얻었다.
Funding Information
  • Ministry of Science and ICT, South Korea
  • National Research Foundation of Korea (RS-2023-00247045)