비지도 학습을 이용한 계층적 자기지도를 통한 인스턴스 분할에서의 롱테일 발견

인스턴스 분할은 객체 수준 마스크로 구성된 매우 큰 데이터셋을 사용하여 감독 학습 접근법으로 일반적으로 해결되는 컴퓨터 비전의 활발한 주제입니다. 새로운 영역에 대한 이러한 데이터셋을 획득하는 것은 매우 비싸고 시간이 많이 소요될 수 있습니다. 또한, 특정 주석 범주에서 훈련된 모델은 미리 본 적 없는 객체에 대해 잘 일반화되지 않습니다. 이 논문의 목적은 인스턴스 임베딩을 학습하여 인스턴스 분할에서 긴 꼬리 범주(long-tail categories)를 무감독으로 발견할 수 있는 방법을 제안하는 것입니다. 이미지 내 객체 간의 풍부한 관계와 계층적 구조를 활용하여, 마스크 임베딩을 학습하기 위한 자기 감독 손실 함수(self-supervised losses)를 제안합니다. COCO 데이터셋에서 긴 꼬리 객체의 추가 주석 없이 훈련된 우리의 모델은 COCO에서 일반적인 범주보다 새로운 그리고 더 세분화된 객체를 발견할 수 있습니다. 우리는 모델이 지도 학습과 부분적으로 지도 학습 방법론과 비교하여 LVIS에서 경쟁력 있는 정량적 결과를 달성함을 보여줍니다.