HM: 희소 샘플 세그멘테이션을 위한 하이브리드 마스킹

우리는 타깃 클래스의 몇 개의 애노테이션된 지원 이미지를 제공받았을 때, 쿼리 이미지에서 타깃 객체를 세그멘테이션하는 '소수 샘플 세그멘테이션(Few-shot Semantic Segmentation, FSS)'을 연구한다. 최근 몇 가지 방법들은 특징 마스킹(Feature Masking, FM) 기술을 활용하여 관련 없는 특징 활성화를 제거함으로써 세그멘테이션 마스크의 신뢰성 있는 예측을 촉진한다. 그러나 FM 기술의 근본적인 한계는 세그멘테이션 마스크의 정확도에 영향을 미치는 세부적인 공간 정보를 유지하지 못한다는 점으로, 특히 소형 타깃 객체에 있어서 더욱 두드러진다. 본 논문에서는 특징 마스킹(FM) 기술의 성능을 향상시키기 위한 간단하고 효과적이며 효율적인 접근법을 제안한다. 이를 통해 개선된 FM을 하이브리드 마스킹(Hybrid Masking, HM)이라 명명한다. 구체적으로, 보완적인 기본 입력 마스킹 기법을 탐색하고 활용함으로써 FM 기술이 초래하는 세부적인 공간 정보의 손실을 보완한다. 우리는 세 가지 공개된 벤치마크에서 강력한 소수 샘플 세그멘테이션(FSS) 기준 모델과 비교하여 실험을 수행하였으며, 다양한 벤치마크에서 현재 최고 성능(SOTA) 기법 대비 눈에 띄는 성능 향상을 실증적으로 입증하였다. 본 연구의 코드 및 학습된 모델은 다음 주소에서 공개된다: https://github.com/moonsh/HM-Hybrid-Masking