초록
이미지 수준의 레이블만을 사용하는 약한 감독(semantic segmentation, WSSS)은 레이블링 비용을 크게 줄일 수 있어 많은 연구 관심을 받고 있다. 그러나 여전히 완전 감독 기반 방법에 비해 성능이 떨어지는 문제가 존재한다. 이러한 성능 격차를 완화하기 위해, 본 연구에서는 주목도를 유도하는 자기주의 네트워크(SGAN)를 제안한다. 제안한 자기주의 메커니즘은 풍부하고 광범위한 맥락 정보를 포착할 수 있지만, 예상치 못한 영역으로 주목도가 잘못 확산될 수 있는 단점이 있다. 이러한 메커니즘이 약한 감독 환경에서도 효과적으로 작동하도록 하기 위해, 자기주의 메커니즘에 클래스 무관(class-agnostic) 주목도 사전 지식을 통합하고, 클래스별 특성에 기반한 주목도 신호를 추가적인 감독 신호로 활용한다. 이를 통해 SGAN은 밀도 높고 정확한 위치 지도 정보를 생성할 수 있으며, 결과적으로 세분화 성능이 향상된다. 또한, 추가적인 감독 신호를 부분적으로 레이블링된 진짜 레이블로 단순히 교체함으로써, SGAN은 반감독(semi-supervised) 세분화 설정에서도 효과적으로 작동함을 확인하였다. PASCAL VOC 2012 및 COCO 데이터셋에서의 실험 결과, 본 연구의 방법은 약한 감독 및 반감독 설정 모두에서 기존의 최고 성능 기법들을 모두 상회함을 입증하였다.