일관된 가짜 포인트를 활용한 반감독 군중 카운팅 및 위치 추정

초록

본 논문은 반감독(mean‑teacher) 프레임워크에서 발생하는 가짜 포인트(pseudo‑point)의 위치와 클래스 불일치를 완화하기 위해 두 가지 모듈, 위치 집계(Position Aggregation, PA)와 인스턴스‑와이즈 불확실성 보정(Instance‑wise Uncertainty Calibration, IUC)을 제안한다. PA는 주변 보조 제안점들을 평균화해 위치 일관성을 높이고, IUC는 분류 점수를 가중치로 사용해 불확실한 인스턴스를 억제한다. 다섯 개 데이터셋과 세 가지 라벨 비율에서 기존 최첨단 방법들을 능가하는 군중 위치 추정 및 카운팅 성능을 달성한다.

상세 분석

본 연구는 점 기반(point‑localization) 군중 카운팅 모델인 P2PNet을 교사·학생 구조의 평균‑교사(mean‑teacher) 체계에 적용하면서, 교사 모델이 매 학습 단계마다 파라미터가 변함에 따라 생성되는 가짜 포인트가 갖는 두 종류의 불일치—위치 불일치와 클래스 불일치—를 체계적으로 분석한다. 위치 불일치는 회귀(branch)에서 동일 인스턴스에 대해 예측된 좌표가 시점에 따라 크게 변동하는 현상이며, 이는 제안점들 간의 높은 특징 유사성으로 인해 주변 보조 제안점들이 거의 동일한 위치 정보를 제공하지만 매칭 과정에서 하나만 양성으로 남고 나머지는 음성으로 전환되면서 발생한다. 논문은 이러한 현상을 가우시안 분포 가정 하에 설명하고, 네 개의 인접 보조 제안점을 평균화하는 간단한 연산을 통해 분산을 감소시켜 위치 일관성을 강화하는 PA 모듈을 설계한다.

클래스 불일치는 분류(branch)에서 동일 인스턴스가 “사람” 혹은 “배경”으로 번갈아 예측되는 현상으로, 특히 경계가 모호한 영역에서 확률 점수가 낮아 가짜 포인트의 신뢰도가 떨어진다. 이를 해결하기 위해 IUC 모듈은 교사 모델이 출력한 클래스 확률을 직접 가중치로 사용한다. 즉, 높은 확률을 가진 포인트는 학습에 큰 영향을 주고, 낮은 확률을 가진 포인트는 가중치를 감소시켜 손실에 미치는 영향을 최소화한다. 이 방식은 기존의 불확실성 추정이 픽셀 단위 혹은 패치 단위로 수행되는 것과 달리, 인스턴스 수준에서 직접적인 신뢰도 조정을 가능하게 한다.

두 모듈은 별도의 복잡한 네트워크 구조를 도입하지 않고, 기존 P2PNet 파이프라인에 가벼운 연산만 추가함으로써 연산량과 메모리 오버헤드를 최소화한다. 실험에서는 라벨 비율 1 %, 5 %, 10 % 등 극히 제한된 라벨 데이터 상황에서도 PA와 IUC를 동시에 적용했을 때, 위치 정확도(F1‑score)와 카운팅 오차(MAE, MSE) 모두 크게 개선되는 것을 확인하였다. 특히, 기존 평균‑교사 기반 방법들이 겪던 “pseudo‑point jitter” 현상이 현저히 감소했으며, 이는 학생 모델이 보다 안정적인 지도 신호를 받아 학습 효율이 향상된 결과로 해석된다.

또한, 논문은 인간 주석자의 주관적 위치 오차와 교사 모델의 가짜 포인트 위치 오차를 동일한 문제로 바라보고, 기존 밀도 기반 방법에서 사용하던 가우시안 손실을 점 기반 모델에 적용하기보다는, 제안된 PA와 IUC가 더 직접적이고 효과적인 해결책임을 실험적으로 입증한다. 전체적인 설계는 반감독 학습의 핵심인 “teacher‑student consistency”를 강화하는 방향으로, 가짜 라벨의 품질을 근본적으로 높이는 새로운 패러다임을 제시한다.