MARS: 약한 지도 semantic segmentation을 위한 추가 지도 없이 모델 독립적인 편향된 객체 제거

약한 지도(semi-supervised) 세분화는 이미지 수준의 클래스 레이블과 같은 약한 지도 신호를 사용하여 세분화 모델을 학습함으로써 레이블링 비용을 줄이는 것을 목표로 한다. 그러나 대부분의 기존 방법들은 정확한 위치 정보를 제공하는 맵을 생성하는 데 어려움을 겪으며, 클래스와 관련된 배경(즉, 편향된 객체)에서 잘못된 예측을 유발한다. 예를 들어, 기차 클래스로 철도를 탐지하는 경우가 이에 해당한다. 최근 편향된 객체를 제거하는 방법들은 각 문제 클래스에 대해 편향된 객체를 수동으로 식별하고, 예측 결과를 검토하여 데이터셋을 수집하는 추가적인 지도 정보가 필요하며, 이로 인해 다중 레이블과 복잡한 편향 관계를 가진 실제 데이터셋에 대한 적용 가능성이 제한된다. 본 연구는 동일한 데이터셋 내에서 편향된 객체와 배경을 매칭함으로써 편향된 특징을 분리하고 제거할 수 있다는 첫 번째 관찰을 바탕으로, 추가 지도 정보 없이도 완전 자동화되고 모델에 의존하지 않는 편향된 객체 제거 프레임워크인 MARS(Model-Agnostic biased object Removal without additional Supervision)를 제안한다. MARS는 비지도 기법의 의미론적으로 일관된 특징을 활용하여 가상 레이블 내의 편향된 객체를 제거한다. 놀랍게도, MARS는 추가적인 지도 정보 없이 다양한 WSSS 모델의 성능을 최소 30% 이상 지속적으로 향상시켜, 두 가지 대표적인 벤치마크인 PASCAL VOC 2012(val: 77.7%, test: 77.2%)와 MS COCO 2014(val: 49.4%)에서 새로운 최고 성능을 달성하였다.