Core Concepts
이벤트 데이터에 대한 정확한 의미 분할을 위해 이벤트 데이터와 이벤트-이미지 변환 데이터를 활용한 하이브리드 의사 레이블링 기법을 제안한다. 이를 통해 단일 소스의 노이즈 있는 의사 레이블의 한계를 극복하고, 타깃 도메인 특징의 일관성을 향상시킨다.
Abstract
본 논문은 이벤트 기반 의미 분할을 위한 새로운 하이브리드 의사 레이블링 프레임워크 HPL-ESS를 제안한다. 이 프레임워크는 자기 훈련 기반 비지도 도메인 적응 기술과 오프라인 이벤트-이미지 변환을 결합하여 고품질의 하이브리드 의사 레이블을 생성한다.
먼저, 자기 훈련 UDA 기반 모델을 통해 이벤트 데이터에 대한 의사 레이블을 생성한다. 동시에 오프라인 이벤트-이미지 변환을 통해 또 다른 세트의 의사 레이블을 생성한다. 이렇게 생성된 하이브리드 의사 레이블을 활용하여 모델을 학습함으로써, 단일 소스 의사 레이블의 한계를 극복한다.
또한 노이즈 있는 레이블 학습 기법을 도입하여 변환된 이미지의 노이즈를 점진적으로 완화한다. 더불어 타깃 도메인 특징의 일관성을 높이기 위해 soft prototypical alignment (SPA) 모듈을 제안한다.
실험 결과, 제안 방법은 기존 최신 기법들을 크게 능가하며, 완전 지도 학습 방법들도 능가하는 성능을 보인다. 또한 필요한 이벤트 데이터 양을 기존 대비 91% 감소시켜 계산 효율성도 크게 향상시켰다.
Stats
이벤트 데이터 1.8E5개만으로도 기존 대비 5.88% 높은 정확도와 10.32% 높은 mIoU를 달성했다.
Quotes
"이벤트 데이터는 RGB 이미지와 크게 다르기 때문에 밀집 픽셀 예측 작업에서 주석 달기가 어렵다."
"단일 소스의 노이즈 있는 의사 레이블을 학습하면 오류가 강화될 수 있는 문제가 있다."
"제안 방법은 기존 최신 기법들을 크게 능가하며, 완전 지도 학습 방법들도 능가하는 성능을 보인다."