CW-BASS v2: 기반 모델 교사 하에서 반지도 분할을 위한 포화 인지 의사 레이블 선택

초록

준지도 의미론적 분할은 오랫동안 하나의 질문, 즉 어떤 의사 레이블을 신뢰할 것인가에 달려 있었으며, 선택 규칙, 동적 임계값, 클래스별 커리큘럼, 소프트 신뢰 가중치로 구성된 한 세대의 기법들은 당시 노이즈가 많고 신뢰도가 낮은 ResNet 교사 모델의 문제에 답을 주었다. 자기지도 파운데이션 인코더는 이러한 체제를 바꾼다. DINOv2 교사를 사용하면 신뢰도가 포화하므로, 약한 교사에게 도움이 되던 필터링이 강한 교사에게는 오히려 해가 될 수 있다. 우리는 CW-BASS v2를 제안한다. 이는 한 가지 규칙에 고정하지 않고 교사의 신뢰도 체제를 읽는 포화 인식 의사 레이블 선택 방법이다. CW-BASS v2는 홀드아웃 보정, 즉 비편향 클래스별 노이즈 추정을 보유율이 1에 도달하지 않도록 증명 가능하게 제한하는 자기적응형 신뢰도 하한과 결합하고, 이를 단일 패스 게이트로 통합한다. 즉, 홀드아웃 슬라이스에서 교사의 신뢰 집합의 신뢰도를 π_kept = Pr[정답 | c ≥ τ]로 측정하고, 요구되는 신뢰도(π_kept ≥ τ)를 충족하면 엄격하게 필터링하며, 그렇지 않으면 적응형 하한으로 폴백한다. 경계는 mIoU에 맞춰 조정된 값이 아니라 기존의 운영 임계값이며, 여섯 개의 DINOv2 교사에 걸쳐 엄격 필터링 대 하한 선택을 블라인드로 정확히 수행한다. 이로써 CW-BASS v2는 포화된 벤치마크에서 엄격 선택을 통해 UniMatch V2의 작동점을 회복한다(Pascal VOC 1/8에서 보고된 87.9 대비 87.4, Cityscapes에서는 0.5 이내). 또한 신뢰 집합이 신뢰할 수 없는 경우(π_kept ≈ 89%, ADE20K)에는 하한이 더 앞서며(+1.5 mIoU, 단일 시드) 이를 개선한다. 이 게이트는 회피하는 실패가 가정이 아니라 측정되기 때문에 원리적으로 타당하다. 신뢰할 수 있고 포화된 교사에서는 신뢰도 분포의 동적 범위가 붕괴하므로(Pascal 픽셀의 98%가 ≥ 0.95), 적응형 컷오프는 보유 마스크를 범람시키고 자기학습은 확증 편향으로 퇴화한다.

English

Semi-supervised semantic segmentation has long turned on one question, which pseudo-labels to trust, and a generation of selection rules, dynamic thresholds, per-class curricula, soft confidence weights, answered it for the noisy, under-confident ResNet teachers of their day. Self-supervised foundation encoders change the regime: with a DINOv2 teacher, confidence saturates, so the filtering that helped a weak teacher can hurt a strong one. We propose CW-BASS v2, a saturation-aware pseudo-label selection method that reads the teacher's confidence regime rather than committing to one rule. It pairs held-out calibration, an unbiased per-class noise estimate, with a self-adaptive confidence floor that provably bounds retention away from 1, and combines them in a one-pass gate: measure the reliability of the teacher's confident set, pi_kept = Pr[correct | c >= tau], on a held-out slice, and filter strictly when it meets the confidence demanded (pi_kept >= tau), falling back to the adaptive floor otherwise. The boundary is the pre-existing operating threshold, not a value tuned to mIoU, and across six DINOv2 teachers it makes the correct strict-vs-floor call blind. CW-BASS v2 thus recovers the UniMatch V2 operating point on the saturated benchmarks by selecting strict (Pascal VOC 1/8 87.4 against its reported 87.9; Cityscapes within 0.5), and improves on it where the confident set is unreliable (pi_kept ~ 89%, ADE20K), where the floor edges ahead (+1.5 mIoU, single seed). The gate is principled because the failure it avoids is measured, not assumed: on a reliable, saturated teacher the confidence distribution's dynamic range collapses (98% of Pascal pixels >= 0.95), so an adaptive cutoff floods the retention mask and self-training decays into confirmation bias.