불확실 환경에서 이미지 분류와 세분화 평가를 위한 융합 방법

본 논문은 이미지 분류와 세분화 평가를 동시에 수행하면서, 전문가가 제공하는 라벨의 불확실성을 정량적으로 반영하는 새로운 평가 프레임워크를 제시한다. 전통적인 혼동 행렬은 라벨이 완전하게 확정된 경우에만 유효하지만, 실제 현장에서는 전문가가 각 픽셀이나 타일에 대해 ‘확실’, ‘다소 확실’, ‘불확실’과 같은 등급을 매기는 경우가 많다. 저자들은 이러한 등급을 각각 2/3, 1/2, 1/3의 가중치로 변환하고, 혼동 행렬의 각 원소에 가중치를 곱해 가중 혼동 행렬을 만든다. 예를 들어, 전문가가 50% 확실성으로 클래스를 1이라고 라벨링하고 분류기가 클래스 1을 예측하면, 해당 원소(cm₁₁)는 0.5가 더해진다. 이렇게 하면 라벨이 부분적으로만 확정된 경우에도 평가가 가능해진다. 여러 전문가가 제공한 라벨은 각각의 가중 혼동 행렬을 구한 뒤, 단순히 행렬을 더함으로써 융합한다. 이 과정에서 각 전문가의 확실성 가중치가 자연스럽게 반영된다. 세분화 평가는 두 가지 지표로 구성된다. 첫 번째는 ‘잘 검출된 경계(Well‑Detection)’ 지표로, 찾은 경계 픽셀 f와 전문가가 제공한 경계 픽셀 e 사이의 최소 거리 d₍fₑ₎를 계산하고, 전문가 확실성 가중치 We를 이용해 D₍C₎(f)=exp