RecurSeed 및 EdgePredictMix: 단일 및 다중 단계 프레임워크 간 약한 감독 세그멘테이션을 위한 의사 레이블 정제 학습

이미지 레벨 레이블만을 사용하는 약한 지도(semantic segmentation) 학습(WSSS-IL)은 잠재적으로 유용할 수 있으나, 여전히 낮은 성능과 구현의 복잡성으로 인해 실제 적용이 제한되고 있다. 주요 원인은 (a) 미탐지 현상과 (b) 오탐지 현상이다. (a) 기존 WSSS-IL 기법으로 개선된 클래스 활성화 맵은 대규모 객체에 대해 여전히 부분적인 영역만을 표현하며, (b) 소규모 객체의 경우 과도한 활성화로 인해 객체 경계에서 벗어나는 현상이 발생한다. 본 연구에서는 재귀적 반복을 통해 미탐지와 오탐지를 순차적으로 줄이는 RecurSeed를 제안한다. 이를 통해 두 오류를 동시에 최소화하는 최적의 결합점(optimization junction)을 간접적으로 탐색할 수 있다. 또한, 분할 결과를 결합할 때 인접한 픽셀 간의 확률 차이 정보를 활용하여 객체의 경계를 더 잘 표현하는 새로운 데이터 증강(DA) 기법인 EdgePredictMix를 제안한다. 이는 기존 DA 기법이 WSSS-IL에 적용될 때 나타나는 단점을 보완하는 데 기여한다. 제안한 방법은 PASCAL VOC 2012 및 MS COCO 2014 벤치마크에서 각각 새로운 최고 성능을 달성하였으며, VOC val: 74.4%, COCO val: 46.4%의 결과를 기록하였다. 코드는 https://github.com/shjo-april/RecurSeed_and_EdgePredictMix 에서 공개되어 있다.