WSSS에서 임계값의 중요성: 임계값에 대한 저항력과 정확도를 갖춘 세그멘테이션 모델을 위한 활성화 조작

약한 지도(semi-supervised) 세그멘테이션(WSSS)은 이미지 수준의 레이블만을 사용하여 세그멘테이션 모델을 훈련할 수 있다는 잠재력으로 최근 큰 주목을 받고 있다. 기존의 WSSS 기법들은 일반적으로 CAM(Convolutional Activation Map)의 희소한 커버리지가 WSSS 성능의 한계를 초래한다고 주장해왔다. 본 논문은 분석적이고 실험적인 증거를 통해 실제 성능의 한계가 희소한 커버리지라기보다는 CAM 이후 적용되는 전역 임계치(global thresholding) 방식에 있음을 밝힌다. 이후 우리는 이 문제를 두 가지 조건을 만족함으로써 완화할 수 있음을 보여준다. 즉, 1) 전경 활성화의 불균형을 줄이고, 2) 전경과 배경 활성화 간의 갭을 확대하는 것이다. 이러한 발견을 바탕으로, 픽셀 단위 분류 손실과 레이블 조건부 모듈(label conditioning module)을 갖춘 새로운 활성화 조작 네트워크를 제안한다. 픽셀 단위 분류는 활성화 맵에 자연스럽게 이중 수준의 활성화를 유도하며, 이는 가장 구분력 있는 부분에 대한 패널티를 부과하고, 구분력이 낮은 부분을 강화하며, 배경 영역을 비활성화하는 효과를 낳는다. 레이블 조건부 모듈은 의사 마스크의 출력 레이블이 진짜 이미지 수준 레이블 중 하나여야 한다는 제약을 부과함으로써, 비타겟 클래스에 잘못 할당된 활성화를 방지한다. 광범위한 분석과 평가를 통해 각 구성 요소가 정확한 의사 마스크를 생성하는 데 기여함을 입증하였으며, 전역 임계치의 선택에 대해 강건한 성능을 보임을 확인하였다. 마지막으로, 본 모델은 PASCAL VOC 2012 및 MS COCO 2014 데이터셋에서 모두 최신 기준(SOTA) 성능을 달성하였다.