WeakPolyp: Polyp 세그멘테이션을 위한 바운딩 박스만 사용하기

고가의 픽셀 단위 라벨로 인해 폴립 분할 모델은 데이터 부족 문제에 시달리며 일반화 성능이 저하됩니다. 반면, 폴립 경계 상자 주석은 훨씬 저렴하고 접근하기 쉽습니다. 따라서 라벨링 비용을 줄이기 위해 우리는 경계 상자 주석만을 사용하여 약한 감독 하에서 학습하는 폴립 분할 모델(즉, WeakPolyp)을 제안합니다. 그러나 거친 경계 상자는 너무 많은 노이즈를 포함하고 있습니다. 이 간섭을 피하기 위해 우리는 마스크-투-박스(M2B) 변환을 도입하였습니다. 예측의 외부 박스 마스크를 직접적으로 예측 대신 감독함으로써 M2B는 거친 라벨과 정밀한 예측 사이의 불일치를 크게 완화시킵니다. 하지만, M2B는 희소한 감독만을 제공하므로 예측이 유일하지 않을 수 있습니다. 따라서 우리는 밀도감 있는 감독을 위해 스케일 일관성(SC) 손실 함수를 추가로 제안합니다. 동일한 이미지 내에서 다양한 스케일에서의 예측을 명시적으로 일치시키는 SC 손실 함수는 예측의 변동성을 크게 줄입니다. 또한 우리의 WeakPolyp 모델은 플러그-앤-플레이 모델로, 다른 매력적인 백본에 쉽게 적용할 수 있습니다. 제안된 모듈들은 훈련 중에만 사용되므로 추론에는 어떠한 계산 비용도 발생하지 않습니다. 광범위한 실험 결과는 우리의 제안된 WeakPolyp의 효과성을 입증하며, 마스크 주석 없이 완전히 감독된 모델과 유사한 성능을 놀랍게도 달성하였습니다.