Core Concepts
본 연구는 화성 지형 의미 분할을 위한 새로운 반지도 학습 프레임워크 S5Mars를 제안한다. S5Mars는 고품질의 화성 지형 데이터셋을 구축하고, 화성 이미지의 특성을 고려한 새로운 데이터 증강 기법과 soft-to-hard 일관성 학습 전략을 도입하여 제한된 레이블 데이터에서도 우수한 성능을 달성한다.
Abstract
본 연구는 화성 지형 의미 분할을 위한 새로운 반지도 학습 프레임워크 S5Mars를 제안한다.
화성 지형 데이터셋 S5Mars를 구축하였다. 이 데이터셋은 6,000장의 고해상도 화성 표면 이미지로 구성되며, 9개의 세부 카테고리로 전문가 수준의 정밀한 라벨링이 이루어졌다.
화성 이미지의 특성을 고려하여 두 가지 새로운 데이터 증강 기법 AugIN과 SAM-Mix를 제안하였다. AugIN은 이미지 간 통계량을 교환하여 새로운 데이터 뷰를 생성하고, SAM-Mix는 사전 학습된 Segment-Anything 모델을 활용하여 객체 마스크를 생성하여 혼합한다.
soft-to-hard 일관성 학습 전략을 도입하여, 저신뢰 영역에서는 soft 의사 레이블을, 고신뢰 영역에서는 hard 의사 레이블을 활용함으로써 제한된 레이블 데이터에서도 우수한 성능을 달성한다.
실험 결과, 제안 방법인 S5Mars가 기존 최신 반지도 학습 기법들을 크게 능가하는 성능을 보였다.
Stats
화성 지형 데이터셋 S5Mars는 6,000장의 고해상도 이미지로 구성되어 있다.
전체 픽셀 중 48.9%가 9개 카테고리로 라벨링되어 있다.
베드록 카테고리가 가장 큰 면적을 차지하고, 암석이 가장 많이 출현한다.
인공물인 로버, 흔적, 구멍 등은 전체 면적의 일부를 차지한다.