철도는 기차가 아니다: 약한 감독 세분화를 위한 민감도 기반 가상 픽셀 감독

이미지 수준의 약한 레이블을 사용하는 약한 지도(semantic) 세그멘테이션(WSSS) 기존 연구들은 몇 가지 한계를 가지고 있다. 즉, 객체 커버리지가 희박하고, 객체 경계가 정확하지 않으며, 목표 객체가 아닌 객체로부터 발생하는 동시 발생(pixels)이 포함된다는 점이다. 이러한 문제를 극복하기 위해, 본 연구에서는 새로운 프레임워크인 명시적 가상 픽셀 지도(Explicit Pseudo-pixel Supervision, EPS)를 제안한다. EPS는 이미지 수준 레이블과 사전 학습된 시각적 주목도 탐지 모델로부터 얻은 주목도 맵(saliency map)을 결합함으로써 픽셀 수준 피드백을 학습한다. 이미지 수준 레이블은 로컬라이제이션 맵을 통해 객체의 정체성을 제공하고, 주목도 맵은 풍부한 경계 정보를 제공한다. 두 가지 정보 간의 보완적 관계를 최대한 활용하기 위해 공동 학습 전략을 설계하였다. 제안된 방법은 정확한 객체 경계를 획득하고, 동시 발생 픽셀을 제거함으로써 가상 마스크(pseudo-mask)의 품질을 크게 향상시킨다. 실험 결과, 제안한 방법은 기존 기법들을 크게 능가하며 WSSS의 핵심 과제를 해결하고, PASCAL VOC 2012 및 MS COCO 2014 데이터셋에서 새로운 최고 성능(SOTA)을 달성하였다.