초록
약한 감독(semi-supervised) 세분화(Weakly Supervised Semantic Segmentation, WSSS)는 클래스 수준의 레이블로부터 세분화 레이블을 학습하는 도전적인 과제이다. 기존 연구에서는 클래스 활성화 맵(Class Activation Maps, CAMs)에서 얻은 정보를 활용하는 것이 WSSS 연구에서 널리 사용되고 있다. 그러나 CAMs는 분류 네트워크로부터 도출되므로, 객체의 가장 구분 가능한 부분에만 주목하게 되어, 세분화 작업에 있어 완전하지 않은 사전 정보를 제공한다. 본 연구에서는 세분화 레이블과 더 일관성 있는 CAMs를 얻기 위해, 분류 및 세분화 작업을 동시에 지원하는 수정된 인코더-디코더 기반 세분화 모델을 기반으로 한 반복적 접근 방식을 제안한다. 실제 세분화 레이블이 제공되지 않기 때문에, 동일한 모델은 밀도 높은 조건부 확률 필드(Dense Conditional Random Fields, dCRF)를 활용하여 가상의 세분화 레이블을 생성한다. 그 결과, 제안하는 프레임워크는 반복적으로 자가 개선되는 모델 구조가 된다. DeepLabv3 및 UNet 모델을 활용한 실험 결과, Pascal VOC12 데이터셋에서 의미 있는 성능 향상이 나타났으며, 특히 DeepLabv3 적용 시 기존 최고 성능 기준보다 2.5% 향상된 성과를 달성하였다. 실험에 동반된 구현 코드는 다음에서 확인할 수 있다: https://github.com/cenkbircanoglu/isim.