EdgeFlow: 에지 가이드된 플로우를 통한 실용적인 인터랙티브 세그멘테이션 달성

고품질의 훈련 데이터는 이미지 분할 작업에서 핵심적인 역할을 한다. 일반적으로 대규모 훈련 데이터에 대해 픽셀 단위의 레이블링은 비용이 많이 들고, 수작업이 많으며 시간이 오래 걸리는 작업이다. 레이블링 비용을 줄이고 분할 정확도를 향상시키기 위해, 사용자 클릭 몇 번만으로도 결과를 제공할 수 있는 인터랙티브 분할 방법이 제안되어 왔다. 그러나 이러한 방법들은 속도와 정확도 측면에서 실제 분할 작업의 요구사항을 충족하지 못하는 경우가 많다. 본 연구에서는 사용자 클릭의 인터랙티브 정보를 엣지 유도 흐름(Edge-guided flow)을 통해 완전히 활용하는 새로운 아키텍처인 EdgeFlow을 제안한다. 제안된 방법은 후처리 또는 반복 최적화 과정 없이도 최신 기술 수준(SOTA)의 성능을 달성한다. 다양한 벤치마크에서 수행된 종합적인 실험을 통해 본 방법의 우수성을 입증하였다. 또한, 제안된 방법을 기반으로 실용적인 데이터 레이블링 작업에 적합한 효율적인 인터랙티브 분할 도구를 개발하였다. 소스 코드 및 도구는 https://github.com/PaddlePaddle/PaddleSeg 에서 제공된다.