Weakly Supervised Image Segmentation을 위한 Bounding Box Tightness Prior

본 논문은 타이트한 바운딩 박스 주석을 채택한 약간의 감독을 받는 이미지 분할 방법을 제시합니다. 일반화된 다중 인스턴스 학습(MIL)과 부드러운 최대 근사법을 활용하여 딥 뉴럴 네트워크에 바운딩 박스의 타이트함 사전 정보를 엔드투엔드 방식으로 통합하는 방법을 제안합니다. 일반화된 MIL에서 양성 가방(bag)은 서로 다른 각도로 평행하게 교차하는 선들로 정의되며, 음성 가방은 모든 바운딩 박스 외부에 있는 개별 픽셀로 정의됩니다. 부드러운 최대 근사법의 두 가지 변형, 즉 $α$-소프트맥스 함수와 $α$-쿼시맥스 함수가 사용되어 가방 예측의 최대 함수에 의해 발생하는 수치적 불안정성을 해결합니다. 제안된 접근법은 Dice 계수를 사용하여 두 개의 공개 의료 데이터셋에서 평가되었습니다. 결과는 이 방법이 기존 최신 기술보다 우수함을 입증하였습니다. 코드는 \url{https://github.com/wangjuan313/wsis-boundingbox}에서 제공됩니다.