DeepCut: 그래프 신경망 클러스터링을 이용한 비지도 분할

이미지 분할은 컴퓨터 비전에서 기본적인 작업입니다. 지도 학습 방법을 위한 데이터 주석 작업은 노동 집약적이어서 비지도 방법의 사용을 촉진합니다. 현재 접근 방식은 종종 사전 훈련된 네트워크에서 깊은 특징을 추출하여 그래프를 구성하고, k-means 및 정규화된 컷(normalized-cuts)과 같은 전통적인 클러스터링 방법을 후처리 단계로 적용하는 데 의존합니다. 그러나 이 접근 방식은 특징에 인코딩된 고차원 정보를 쌍별 스칼라 친화성으로 축소합니다. 이러한 제한을 해결하기 위해, 본 연구에서는 전통적인 클러스터링 방법을 대체하면서 동일한 클러스터링 목적 함수를 최적화하는 경량 그래프 신경망(GNN)을 소개합니다. 기존 방법과 달리, 우리의 GNN은 로컬 이미지 특징 간의 쌍별 친화성과 원시 특징 모두를 입력으로 취합니다. 이는 원시 특징과 클러스터링 목적 사이의 직접 연결을 통해 다른 그래프 간의 클러스터 분류를 암시적으로 수행할 수 있게 하며, 추가적인 후처리 단계 없이 부분 의미 분할(part semantic segmentation)을 실현할 수 있습니다.우리는 어떻게 전통적인 클러스터링 목적함수가 이미지 분할 GNN 훈련용 자기 지도 손실 함수로 공식화될 수 있는지를 설명합니다. 또한, 클러스터의 개수를 정의하지 않고 클러스터링을 수행하기 위해 상관 관계 클러스터링(Correlation-Clustering, CC) 목적함수를 활용합니다. 이를 통해 k-less 클러스터링이 가능해집니다. 우리는 제안된 방법을 객체 위치 추정(object localization), 분할(segmentation), 그리고 부분 의미 분할(semantic part segmentation) 작업에 적용하여 여러 벤치마크에서 최신 성능을 초월하였습니다.