간단한 복사-붙여넣기는 개체 세그멘테이션을 위한 강력한 데이터 증강 방법이다.

데이터 효율적이면서 드문 객체 카테고리를 효과적으로 처리할 수 있는 인스턴스 세그멘테이션 모델 구축은 컴퓨터 비전 분야에서 중요한 과제이다. 데이터 증강 기법을 활용하는 것은 이 과제를 해결하기 위한 유망한 방향이다. 본 연구에서는 인스턴스 세그멘테이션에 적용 가능한 Copy-Paste 증강 기법([13, 12])에 대해 체계적인 연구를 수행한다. 이 기법은 이미지에 객체를 무작위로 붙여넣는 방식으로 작동한다. 기존의 Copy-Paste 연구들은 객체를 붙일 때 주변 시각적 맥락을 모델링하는 데 의존해 왔다. 그러나 본 연구에서는 단순히 객체를 무작위로 붙이는 기법만으로도 충분히 효과적이며, 강력한 기준 모델 기반으로도 안정적인 성능 향상을 제공함을 확인하였다. 더불어, Copy-Paste 기법이 의사라벨링을 통해 추가 데이터를 활용하는 반감독 학습 기법(예: 자기학습, self-training)과 상호보완적임을 입증하였다. COCO 인스턴스 세그멘테이션 벤치마크에서, 우리는 49.1 mask AP와 57.3 box AP를 달성하여 기존 최고 성능 기준 대비 각각 +0.6 mask AP, +1.5 box AP의 성능 향상을 기록하였다. 또한, Copy-Paste 기법이 LVIS 벤치마크에서 큰 성능 개선을 이끌어낼 수 있음을 보여주었으며, 특히 드문 카테고리에서 기준 모델이 LVIS 2020 챌린지 우승 팀의 성능보다 +3.6 mask AP 높은 성능을 기록하였다.