이미지 레벨 라벨을 이용한 주목도 기반 객체 분할

최근 몇 년간 의미적 라벨링 작업에서 상당한 개선이 이루어졌습니다. 그러나 최신 방법들은 대규모 픽셀 단위 주석에 의존하고 있습니다. 본 논문은 현재 객체 클래스의 이미지 단위 주석으로부터 픽셀 단위 의미적 라벨러 네트워크를 학습하는 문제를 연구합니다. 최근에는 이미지 단위 라벨로부터 차별적인 객체 영역을 나타내는 고품질 시드를 얻을 수 있다는 것이 입증되었습니다. 추가 정보 없이는 공존 때문에 객체의 전체 범위를 얻는 것이 본질적으로 해결하기 어려운 문제입니다. 우리는 이러한 문제를 해결하기 위해 주목성 모델을 추가 정보로 사용하는 것을 제안하며, 이로써 객체 범위와 이미지 통계에 대한 사전 지식을 활용합니다. 두 정보 출처를 결합하여 완전히 감독된 성능의 80%를 회복할 수 있는 방법을 보여주며, 이는 픽셀 단위 의미적 라벨링에 대한 약하게 감독된 학습에서 새로운 최신 기술입니다. 코드는 https://goo.gl/KygSeb 에서 제공됩니다.