준지도 의미론적 분할의 핵심은 레이블이 지정되지 않은 이미지의 픽셀에 적절한 유사 레이블을 할당하는 것입니다. 최근, 신뢰할 수 있는 유사 레이블의 일관성 기반 훈련 및 필터링에 대한 다양한 접근 방식이 주목할 만한 결과를 보여주었습니다. 그럼에도 불구하고, 여전히 해결해야 할 문제들이 남아 있습니다. 우리는 최신 접근법들이 특정한 문제들을 공통적으로 가지고 있다는 것을 발견했습니다. 레이블이 지정되지 않은 이미지를 훈련하기 위한 유사 레이블에서, 우리는 잘못된 전경 클래스 유사 레이블이 대부분 다른 전경 클래스 간의 혼동이 아니라 배경 클래스 혼란에 의해 발생한다는 것을 확인합니다. 이에 따라, 출력 섭동에 의한 다중 출력 통합 앙상블이라는 새로운 접근 방식을 제안하여 준지도 의미론적 분할을 위한 전경 및 배경 판별 모델을 제안합니다. 제안된 모델은 레이블이 지정되지 않은 이미지에서 향상된 배경 분할 성능을 보여주고, 여러 실험 환경의 결과는 우리의 접근 방식이 레이블이 지정되지 않은 데이터에 대한 이진 예측에서 기존 모델을 능가하고 우리 연구 모델의 도움으로 훈련된 분할 모델이 기존 모델을 더욱 강화시켜 준다는 것을 보여줍니다.