약한 감독 세분화에서 가상 마스크 노이즈 완화를 위한 응답 스케일링을 통한 불확실성 추정

약한 감독(semi-supervised) 세분화(Weakly-Supervised Semantic Segmentation, WSSS)는 밀도 높은 애노테이션의 부담 없이 객체를 세분화할 수 있는 기법이다. 그러나 이러한 장점의 대가로 생성된 가짜 마스크(pseudo-masks)에는 명백한 노이즈 픽셀이 존재하며, 이러한 노이즈가 포함된 가짜 마스크를 기반으로 학습된 세분화 모델은 최적의 성능을 달성하지 못한다. 그러나 이러한 문제는 여전히 거의 다뤄지지 않은 상태이며, 가짜 마스크 품질을 개선하더라도 노이즈 픽셀은 불가피하게 존재한다. 따라서 본 연구에서는 노이즈 완화 측면에서 WSSS의 성능을 향상시키는 방향으로 접근한다. 특히, 많은 노이즈 픽셀이 높은 신뢰도를 가지며, 특히 반응 범위(response range)가 지나치게 넓거나 좁을 경우, 그 상태가 불확실한 것으로 나타남을 관찰하였다. 이를 바탕으로 본 논문에서는 예측 맵을 여러 번 스케일링함으로써 반응의 노이즈 변이를 시뮬레이션하여 불확실성(uncertainty)을 추정한다. 추정된 불확실성은 세분화 손실(segmentation loss)에 가중치를 부여하는 데 사용되어, 노이즈가 포함된 감독 신호의 영향을 완화한다. 본 방법을 ‘응답 스케일링을 통한 불확실성 추정을 통한 노이즈 완화(Uncertainty estimation via Response scaling for Noise mitigation)’의 약자로 URN이라 명명한다. 실험을 통해 URN의 효과를 검증하였으며, 추가적인 모델(예: 주목성 탐지 모델) 없이 PASCAL VOC 2012에서 71.2%, MS COCO 2014에서 41.5%의 최신 기술(SOTA) 성능을 달성하였다. 코드는 https://github.com/XMed-Lab/URN 에 공개되어 있다.