5wk_Semi/Weakly Supervised Learning

Semi Supervised Learning(준지도학습)

• When only some images have the required label (전체 중 몇개의 이미지만 필요한 레이블을 가지고 있고, 다른 것들은 이미지만 가지고 있음) 

 

Weakly Supervised Learning(약지도학습)

• When all images have the cost-efficient (incomplete) labels(불완전한 레이블을 가지고 있음) 

학습한 것들을 요약(Mk) → 마스크 잡기 → 학습한 부분만 잡아줌 

 

---

Semi Supervised Image classification

• 레이블이 지정된 데이터(수퍼바이즈드 학습에서 사용)와 레이블이 지정되지 않은 데이터를 모두 사용하여 모델을 훈련시키는 방법

1. 레이블이 있는 데이터와 없는 데이터의 혼합 사용: 세미 수퍼바이즈드 학습은 레이블이 지정된 제한된 데이터셋과 함께 더 큰 규모의 레이블이 지정되지 않은 데이터셋을 사용합니다. 이는 레이블을 지정하는 과정이 시간과 비용이 많이 들기 때문에 유용합니다.
2. 자체 학습(Self-training): 모델은 먼저 레이블이 있는 데이터로 훈련되고, 이후 이 모델을 사용하여 레이블이 없는 데이터에 레이블을 예측합니다. 그런 다음 이 예측된 레이블을 사용하여 모델을 다시 훈련시킵니다.
3. 클러스터링과 같은 비지도 학습 기법 사용: 레이블이 없는 데이터를 분석하기 위해 클러스터링과 같은 비지도 학습 기법이 사용될 수 있습니다. 이를 통해 데이터 내 숨겨진 구조나 패턴을 찾아낼 수 있습니다.
4. 데이터 효율성 증대: 세미 수퍼바이즈드 학습은 레이블이 있는 데이터의 양이 제한적일 때 효과적입니다. 레이블이 없는 데이터를 추가로 사용함으로써, 모델은 더 많은 데이터로부터 학습할 수 있고, 그 결과 개선될 수 있습니다.

이미지 분류에서 이러한 접근법은 특히 유용합니다. 왜냐하면 이미지 데이터를 레이블링하는 것은 매우 시간이 많이 드는 작업이고, 자연스럽게 무레이블 데이터가 풍부하기 때문입니다. 세미 수퍼바이즈드 학습은 이러한 무레이블 데이터를 활용하여 분류 모델의 정확도와 일반화 능력을 향상시킬 수 있습니다.

 

 

Semi-Weakly Supervised Semantic Segmentation (SWSSS)

1. 세맨틱 세그멘테이션(Semantic Segmentation): 이미지 내의 각 픽셀이 어떤 클래스(예: 사람, 자동차, 나무 등)에 속하는지 구분하는 과정입니다. 이는 이미지를 이해하고 해석하는 데 중요한 단계로, 픽셀 수준에서 레이블을 할당합니다.
2. 세미 수퍼바이즈드(Semi-supervised) 학습: 레이블이 지정된 소수의 데이터와 레이블이 지정되지 않은 대량의 데이터를 함께 사용하여 학습하는 방법입니다.
3. 약한 수퍼바이즈드(Weakly-supervised) 학습: 불완전하거나 불확실한 레이블을 사용하여 학습하는 방법입니다. 예를 들어, 이미지에 대한 전체 레이블(이미지에 대한 설명)만 제공되고, 픽셀별 레이블은 제공되지 않는 경우가 여기에 해당합니다.

SWSSS 방법론에서는 이러한 세 가지 접근 방식을 결합하여, 제한된 양의 정확하게 레이블링된 데이터와 함께 레이블이 부정확하거나 불완전한 데이터를 사용하여 모델을 훈련시킵니다. 이는 특히 대규모 이미지 데이터셋에 효과적이며, 높은 정확도의 세맨틱 세그멘테이션 모델을 구축하는 데 비용과 시간을 절약할 수 있습니다.