Weakly-supervised Instance Segmentation via Class-agnostic Learning with Salient Images 약한 감독을 통한 주요 이미지를 활용한 클래스 무관 학습을 이용한 인스턴스 분할

인간은 알려지지 않은 객체의 경계를 정확히 윤곽을 그릴 수 있는 강력한 클래스 무관 객체 분할 능력을 가지고 있습니다. 이는 우리가 약하게 지도된 인스턴스 분할을 위한 박스 지도 기반 클래스 무관 객체 분할(BoxCaseg) 솔루션을 제안하는 동기를 제공합니다. BoxCaseg 모델은 박스 지도 이미지와 주요 이미지를 사용하여 다중 작업 학습 방식으로 공동 훈련됩니다. 세밀하게 주석이 달린 주요 이미지는 박스 지도 이미지에 대한 클래스 무관하고 정확한 객체 위치 결정 가이드를 제공합니다. 사전 훈련된 BoxCaseg 모델에서 예측된 객체 마스크는 새로운 병합 및 삭제 전략을 통해 대리 지상 진실(proxy ground truth)로 사용되어 약하게 지도된 인스턴스 분할을 위한 Mask R-CNN을 훈련시킵니다. 단 7991개의 주요 이미지만 사용하여, 약하게 지도된 Mask R-CNN은 PASCAL VOC에서 완전히 지도된 Mask R-CNN과 비슷한 성능을 보여주며, COCO에서 이전 최신 박스 지도 인스턴스 분할 방법들보다 크게 우수한 성능을 발휘합니다. 소스 코드, 사전 훈련된 모델 및 데이터셋은 \url{https://github.com/hustvl/BoxCaseg}에서 이용 가능합니다.