FECANet: 특징 강화된 컨텍스트 인지 네트워크를 통한 소량 샘플 세그멘테이션 성능 향상

소수 샘플 세분화(few-shot semantic segmentation)는 쿼리 이미지 내 새로운 클래스의 각 픽셀을 매우 적은 수의 레이블링된 서포트 이미지만을 이용해 위치 파악하는 작업이다. 기존의 상관관계 기반 방법들은 전형적인 프로토타입 기반 접근 방식이 세밀한 대응 관계를 학습할 수 없기 때문에, 다대다 매칭을 구축하기 위해 쌍별 특징 상관관계를 구성한다. 그러나 기존 방법들은 단순한 상관관계 내 포함된 노이즈와 상관관계 내에서의 맥락적 의미 정보 부족 문제를 여전히 겪고 있다. 위의 문제들을 완화하기 위해 우리는 특징 강화형 맥락 인지 네트워크(Feature-Enhanced Context-Aware Network, FECANet)를 제안한다. 구체적으로, 클래스 간 국소적 유사성으로 인한 매칭 노이즈를 억제하고, 단순 상관관계 내에서 클래스 내 관련성을 강화하기 위한 특징 강화 모듈을 제안한다. 또한, 전경과 배경 간 추가적인 대응 관계 및 다중 해상도 맥락적 의미 특징을 인코딩하는 새로운 상관관계 재구성 모듈을 제안하여, 인코더가 신뢰할 수 있는 매칭 패턴을 효과적으로 학습할 수 있도록 한다. PASCAL-$5^i$ 및 COCO-$20^i$ 데이터셋에서의 실험 결과, 기존 최고 성능 방법들에 비해 제안하는 FECANet이 뚜렷한 성능 향상을 보이며 그 효과성을 입증하였다.