약한 감독(semi-supervised) 세분화를 위한 지역적 의미 대비 및 집약

약한 레이블(예: 이미지 태그만 존재) 데이터로부터 의미 분할을 학습하는 것은 희소한 의미 태그로부터 밀도 높은 객체 영역을 추론하기 어렵기 때문에 도전적인 과제이다. 광범위하게 연구되어 왔음에도 불구하고, 현재 대부분의 연구는 개별 이미지 또는 이미지 쌍에 포함된 제한된 의미 레이블로부터 직접 학습하려 하며, 종합적인 위치 지도를 얻는 데 어려움을 겪고 있다. 본 연구는 풍부한 약한 레이블 데이터 간의 � rich한 의미적 맥락을 통합적으로 탐색함으로써 이 문제를 새로운 관점에서 완화한다. 특히, 지역적 의미 대비 및 집약(Regional Semantic Contrast and Aggregation, RCA)을 제안한다. RCA는 훈련 데이터 내에서 등장하는 방대하고 다양한 객체 패턴을 저장하는 지역적 메모리 은행을 갖추고 있으며, 이는 데이터셋 수준의 의미 구조 탐색을 위한 강력한 지원 기반이 된다. 특히, i) 대규모 카테고리별 객체 영역을 대비시켜 네트워크 학습을 유도함으로써 보다 종합적인 객체 패턴 이해를 가능하게 하고, ii) 메모리 내에서 다양한 관계적 맥락을 집약함으로써 의미 표현을 풍부하게 하는 두 가지 기법을 제안한다. 이러한 방식으로 RCA는 세밀한 의미 이해 능력을 획득하게 되며, 결과적으로 PASCAL VOC 2012와 COCO 2014라는 두 가지 대표적인 벤치마크에서 새로운 최고 성능을 달성하였다.