Grunnleggende konsepter
본 연구는 준지도 학습과 지식 증류를 결합하여 효율적이고 경량화된 기계 학습 모델을 학습하는 방법을 제안한다. 이를 통해 대량의 레이블되지 않은 데이터를 활용하여 교사 모델과 경량 학생 모델의 성능을 향상시킬 수 있다.
Sammendrag
본 연구는 도로 탐지를 위한 효율적이고 경량화된 기계 학습 모델을 학습하는 방법을 제안한다. 이를 위해 준지도 학습과 지식 증류 기법을 결합한다.
- 두 개의 교사 모델(DeepLabV3+, SegNet)을 활용하여 레이블된 데이터로 초기 학습을 진행한다.
- 레이블되지 않은 대량의 데이터를 활용하여 교사 모델들의 성능을 향상시킨다. 이때 교사 모델들의 예측 결과를 상호 보완적으로 활용한다.
- 경량 학생 모델을 학습할 때, 교사 모델의 특징, 확률 분포, 레이블 정보를 활용하여 지식 증류를 수행한다.
- 제안 방법은 기존 준지도 학습 기법들에 비해 도로 탐지 성능이 향상되었음을 보여준다.
Statistikk
레이블된 데이터와 레이블되지 않은 데이터의 비율은 1:4이다.
학생 모델의 GFLOPs는 14.94이다.