분포 외 데이터를 이용한 약한 지도(semi-supervised) 의미 분할

약한 감독(semantic) 세분화(WSSS) 방법들은 일반적으로 분류기로부터 얻은 픽셀 수준의 위치 지도(pixel-level localization maps)에 기반한다. 그러나 클래스 레이블만을 이용해 학습하는 분류기는 전경과 배경 사이의 위조 상관관계(spurious correlation, 예: 기차와 철도)로 인해 본질적으로 성능에 한계를 겪는다. 이 문제를 해결하기 위해 이전 연구들은 추가적인 감독 정보를 도입한 시도가 있었다. 본 논문에서는 전경과 배경을 구분하기 위한 새로운 정보 원천을 제안한다. 바로 분포 외(Out-of-Distribution, OoD) 데이터, 즉 전경 객체 클래스가 포함되지 않은 이미지들이다. 특히, 분류기가 오분류(거짓 양성) 예측을 하기 쉬운 '어려운(OoD)' 예제들을 활용한다. 이러한 샘플들은 일반적으로 분류기가 전경으로 착각하기 쉬운 배경의 핵심 시각적 특징(예: 철도)을 포함하고 있으며, 이로 인해 분류기는 위조된 배경 신호를 정확히 억제할 수 있다. 이러한 어려운 OoD 데이터를 확보하는 데에는 광범위한 레이블링 노력이 필요하지 않으며, 원래 클래스 레이블을 수집하는 데 드는 노력 외에 이미지 수준의 레이블링 비용이 몇 개만 추가되면 된다. 본 연구는 이러한 어려운 OoD 데이터를 활용하는 방법론을 제안하며, 이를 W-OoD라 명명한다. W-OoD는 Pascal VOC 2012 데이터셋에서 최신 기준(SOTA) 성능을 달성한다.