반지도 원격 감지 객체 탐지를 위한 오류 완화 교사

반지도 객체 탐지(SSOD)는 밀집 객체와 높은 클래스 내 변동성이 있는 복잡한 장면에서 의사 라벨 오류가 축적되는 문제에 직면해 있습니다. 교사-학생 프레임워크가 레이블 없는 데이터로부터 학습을 가능하게 하지만, 잘못된 긍정 및 놓친 탐지와 같은 오류가 시간이 지남에 따라 강화되어 모델 성능이 저하될 수 있습니다. 이 문제를 해결하기 위해 우리는 SSOD 훈련 중 오류 전파를 억제하도록 설계된 통합 프레임워크인 오류 완화 교사(EMT)를 제안합니다. EMT는 세 가지 경량 모듈로 구성됩니다. 첫째, 적응형 의사 라벨 필터링(APLF) 모듈은 2단계 RCNN을 통해 잡음이 있는 의사 박스를 제거하고 동적 신뢰도 필터링을 통해 클래스별 임계값을 조정합니다. 둘째, 신뢰 기반 손실 재가중치(CBLR) 모듈은 교사 모델의 의사 라벨 재구성 능력을 평가하여 손실을 재가중치하며, 결과 손실을 레이블 신뢰도의 지표로 사용합니다. 셋째, 향상된 감독 학습(ESL) 모듈은 의사 라벨 통계에 따라 감독 손실 가중치를 조정하여 클래스 수준의 균형을 개선합니다. EMT는 DOTA, DIOR 및 SSDD 데이터 세트에서 대표적인 최신 SSOD 방법에 대한 일관된 성능 향상을 보여줍니다. 특히 EMT는 추가 추론 비용 없이 레이블 데이터의 10%만 사용하여 DIOR에서 절대 mAP50을 2.9% 향상시킵니다. 이러한 결과는 원격 감지를 위한 SSOD 개선에서 EMT의 효과성을 강조합니다.