정확한 학교 탐지는 교육 기구 지원, 즉 인프라 계획 및 소외 지역의 인터넷 연결 확장 등에 필수적입니다. 그러나 세계 여러 지역은 오래된, 불완전한, 또는 공식 기록이 없는 문제로 인해 어려움을 겪고 있습니다. 수동 매핑 작업은 가치 있지만 노동 집약적이며 대규모 지리적 영역에 걸쳐 확장성이 부족합니다. 이에 따라 우리는 항공 사진에서 학교 탐지를 위한 약식 감독 (weakly supervised) 프레임워크를 제안하며, 이는 인간 주석을 최소화하면서도 글로벌 매핑 작업을 지원할 수 있도록 합니다. 우리의 방법은 수동 주석이 극도로 부족한 저 데이터 환경 (low-data regimes) 을 위해 특별히 설계되었습니다. 우리는 희소 위치 점과 의미론적 분할 (semantic segmentation) 을 활용하여 인프라 마스크를 생성하고, 이를 통해 경계 상자 (bounding boxes) 를 생성하는 자동 라벨링 파이프라인을 도입했습니다. 이러한 자동으로 라벨링된 이미지를 사용하여 탐지기를 첫 번째 학습 단계에서 훈련시켜 학교가 어떤 모습인지의 표현을 학습한 후, 소수의 수동으로 라벨링된 이미지를 사용하여 이전에 훈련된 모델을 이 깨끗한 데이터셋에서 미세 조정 (fine-tune) 했습니다. 이 두 단계 학습 파이프라인은 최소한의 감독 하에 학교 인프라의 저 데이터 환경에서 대규모로 강력한 탐지를 가능하게 합니다. 우리의 결과는 특히 저 데이터 환경에서 모델이 50 개의 수동으로 라벨링된 이미지만으로 사용할 때, 유망한 결과를 달성하여 비용이 많이 드는 주석 필요성을 크게 줄인다는 것을 보여줍니다. 이 프레임워크는 학교를 우주에서 매핑하는 효율적이고 확장 가능한 접근 방식을 제공함으로써 전 세계 교육 및 연결 기구에 지원합니다. 모든 모델, 훈련 코드 및 자동 라벨링 데이터는 미래 연구 및 실용적 영향력을 촉진하기 위해 공개적으로 배포됩니다.