核心概念
Jaccard 메트릭 손실 함수(JML)는 기존의 IoU 손실 함수와 동일한 성능을 보이면서도 소프트 라벨을 처리할 수 있어, 라벨 스무딩, 지식 증류, 준지도 학습 등의 기법을 적용할 수 있다. 이를 통해 모델의 정확도와 보정 성능을 향상시킬 수 있다.
摘要
이 논문에서는 Jaccard 메트릭 손실 함수(JML)를 제안한다. JML은 기존의 IoU 손실 함수와 동일한 성능을 보이면서도 소프트 라벨을 처리할 수 있다. 이를 통해 라벨 스무딩, 지식 증류, 준지도 학습 등의 기법을 적용할 수 있게 되어 모델의 정확도와 보정 성능을 향상시킬 수 있다.
구체적으로:
- JML은 기존의 소프트 Jaccard 손실 함수(SJL)와 동일한 값을 가지지만, 소프트 라벨을 처리할 수 있다. 따라서 SJL의 구현을 JML로 대체할 수 있다.
- 경계 라벨 스무딩(BLS)을 제안하여 라벨 스무딩을 의미 분할 작업에 통합할 수 있다. BLS는 독립적으로 사용할 수 있으며 지식 증류 및 준지도 학습과 시너지 효과를 발휘한다.
- 지식 증류에서는 교사 모델의 신뢰도가 낮은 클래스를 제외하는 방식으로 학생 모델의 성능을 향상시킬 수 있다.
- 4개의 데이터셋(Cityscapes, PASCAL VOC, ADE20K, DeepGlobe Land)과 13개의 모델(CNN, 비전 트랜스포머)을 대상으로 실험한 결과, JML이 기존 교차 엔트로피 손실 함수 대비 일관되게 우수한 성능을 보였다. 또한 JML은 최신 지식 증류 및 준지도 학습 방법들을 크게 능가하는 결과를 달성했다.
統計資料
의미 분할 모델의 정확도(Acc)와 평균 교차 비율(mIoU)이 JML 적용으로 2% 이상 향상되었다.
JML은 소프트 라벨을 활용하는 기법들(라벨 스무딩, 지식 증류, 준지도 학습)에서 더 큰 이점을 제공한다.
교사 모델의 보정 성능이 높을수록 학생 모델의 성능이 향상된다.
引述
"Jaccard 메트릭 손실(JML)은 기존 IoU 손실과 동일한 성능을 보이면서도 소프트 라벨을 처리할 수 있다."
"경계 라벨 스무딩(BLS)은 라벨 스무딩을 의미 분할 작업에 통합할 수 있게 해준다."
"교사 모델의 신뢰도가 낮은 클래스를 제외하는 방식으로 학생 모델의 성능을 향상시킬 수 있다."