[연구의 필요성]
픽셀 단위 레이블링은 비용이 높고 오류가 많아, 기존 방법들은 초기 데이터가 없거나 기초 모델의 예측 오류로 인해 신뢰도가 낮은 한계가 있다. 따라서, 데이터를 효율적으로 정제할 수 있는 능동적 라벨 교정이 필요하다.

[포스텍이 가진 고유의 기술]
우리는 기초 모델을 활용한 능동적 라벨 교정 프레임워크를 개발했다. 이 방법은 필요할 때만 레이블을 수정하는 교정 쿼리를 통해 비용을 절감하고, 개별 픽셀 수정이 아니라 슈퍼픽셀 단위로 확장하여 보다 효율적인 데이터 정제가 가능하다. 또한, 수정된 레이블이 전체 데이터에 미치는 영향을 고려해 최적의 샘플을 선택하는 미리보기 선택 함수를 적용했다.

[연구의 의미]
이 연구를 통해 라벨링 비용을 50~67% 절감하면서도 데이터 정제 성능을 향상시킬 수 있음을 입증했다. 특히, 정제된 PASCAL+ 데이터셋을 공개하여 벤치마크 연구에 기여할 수 있으며, 의료 영상과 같이 정확한 레이블이 중요한 도메인에서도 활용 가능성이 높다.

[연구결과의 진행 상태 및 향후 계획]
본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함.

[성과와 관련된 실적]
본 연구는 ML 분야 최고 수준 학회인 ICML 2024에 accept 되어 발표를 진행함.
https://cskhy16.github.io/alc/

[성과와 관련된 이미지]