약 지도 시맨틱 분할(WSSS)은 바운딩 박스, 스크리블(scribbles), 또는 이미지 수준 태그와 같은 불완전하거나 거친 주석으로부터 밀집 픽셀 수준 분할 모델을 학습합니다. 최근 연구는 Segment Anything Model(SAM)과 같은 파운데이션 모델을 활용하여 의사 라벨을 생성하지만, 이러한 접근 방식은 일반적으로 휴리스틱 프롬프트 선택에 의존하며 사전 지식이나 이질적인 라벨을 통합할 수 있는 방법이 제한적입니다. 우리는 뉴로심볼릭(neurosymbolic) 관점을 취하여 이러한 격차를 해결합니다: 미분 가능한 퍼지 논리를 딥러닝 분할 모델과 통합합니다. 약한 주석과 도메인 특화 사전 지식은 연속적 논리 제약 조건으로 통합되어, 약한 지도 하에서 SAM을 미세조정합니다. 이후 개선된 파운데이션 모델은 향상된 의사 라벨을 생성하며, 우리는 이를 통해 2단계 프롬프트 프리(prompt-free) 분할 모델을 학습합니다. Pascal VOC 2012 및 REFUGE2 시신경 유두/컵 분할 데이터셋에 대한 실험 결과, 우리의 논리 기반 미세조정이 더 고품질의 의사 라벨을 생성함을 보여주며, 이는 종종 밀집 지도 기준 모델을 초과하는 최첨단 분할 정확도로 이어집니다.
Can a simple labeled-pixel contrastive branch improve semi-supervised segmentation with a strong pretrained encoder? We study this question with PixCon, which adds a class-wise memory bank to a DINOv2-Base implementation of UniMatch V2. The bank stores ground-truth-labeled features only where the student prediction agrees with the label. A multi-positive contrastive loss uses these features to train the shared encoder-decoder; the head and bank are discarded at inference. This simplifies earlier labeled-pixel banks by removing confidence thresholds and learned ranking. On Pascal VOC with 183 labels, PixCon improves all three paired seeds by 0.20, 0.64 and 1.83 mIoU points, raising the mean from 87.01 to 87.90. With 92 labels the mean gain is 0.40 points; single-seed differences on Cityscapes and ADE20K range from -0.08 to +0.14 points. A predicted-label contrastive control reaches nearly the same Pascal accuracy, so these results support the added branch rather than an accuracy benefit from its correctness filter. An exact gradient decomposition distinguishes mislabeled-positive counts from their similarity-weighted influence. Separate teacher diagnostics find retained-pixel error rates of 1.8% on Pascal and 10.6% on ADE20K. These diagnostics do not measure the training bank or predict final accuracy. PixCon adds 15.3-19.7% iteration time in the measured runs and no inference computation. We report paired seeds, training cost and the limits of the evidence.
자기학습(ST)은 간단하면서도 효과적인 준지도 학습(semi-supervised learning) 방법이다. 그러나 오류가 있을 수 있는 의사 라벨(pseudo-label)을 사용하여 ST가 왜, 어떻게 일반화 성능을 향상시키는지는 아직 충분히 이해되지 않았다. ST에 대한 이해를 심화하기 위해, 입력 차원과 데이터 크기가 비례하여 발산하는 점근적 극한에서, 이진 가우시안 혼합에 대해 릿지 정규화된 볼록 손실을 최소화하여 선형 분류기를 학습할 때 반복적 ST의 행동을 정밀하게 특성화하여 도출하고 분석한다. 결과는 반복 횟수에 따라 ST가 서로 다른 방식으로 일반화를 향상시킴을 보여준다. 반복 횟수가 적을 때, ST는 비교적 신뢰할 수 있는 의사 라벨에 모델을 적합시키고 각 반복에서 모델 매개변수를 크게 갱신함으로써 일반화 성능을 향상시킨다. 이는 ST가 직관적으로 작동함을 시사한다. 반면, 반복이 많을 때 ST는 소프트 라벨과 작은 정규화를 사용하여 모델 매개변수를 점진적으로 갱신함으로써 분류 평면의 방향을 점차 개선할 수 있다. 이는 ST의 작은 갱신이 거의 잡음 없이 데이터로부터 정보를 추출할 수 있기 때문이라고 주장된다. 그러나 라벨 불균형이 있을 때, ST의 일반화 성능은 진짜 라벨을 사용한 지도 학습보다 낮다. 이를 극복하기 위해, 상당한 라벨 불균형이 있어도 ST가 지도 학습과 거의 동등한 성능을 달성할 수 있게 하는 두 가지 휴리스틱을 제안한다.
비전-언어 모델(VLM) 파인튜닝 시 발생하는 평탄한(flat) softmax 확률 분포 문제를 원인으로 지목하고, 온도(temperature) 파라미터로 softmax 출력을 날카롭게 만들어 미레이블 데이터 활용률과 학습 감독 신호를 강화하는 반지도 퓨샷 학습(SSFSL) 방법인 SWIFT를 제안한다. SWIFT는 VLM 파인튜닝과 단계별 오픈 데이터 검색을 결합하여 5개 벤치마크에서 기존 FSL 및 SSL 방법 대비 약 5%p 높은 정확도를 달성하며 완전 지도학습에 근접하는 성능을 보인다.
픽셀 수준 어노테이션 부족 문제를 해결하기 위해, 경량 CNN(UNeXt)과 트랜스포머(Swin-Unet)를 이종 크로스 슈퍼비전으로 공동 학습하는 반지도학습 프레임워크 DACL을 제안하며, KL 발산과 엔트로피 기반 신뢰도 정렬을 결합한 이중 합의 일관성 손실(DAC loss)로 신뢰도 낮은 의사 레이블을 억제한다. 레이블 데이터 5% 조건에서 태아 두부·복부 데이터셋(HC18, F-Abd) 기준 최신 반지도 방법 대비 Dice를 최대 2.77% 향상시키고 HD95를 최대 14.69 mm 감소시켜 경계 정확도를 크게 개선했다.