초록
인스턴스 분할에 대한 정확한 라벨을 얻는 것은 작업의 복잡성 때문에 특히 어려운 문제입니다. 각 이미지는 객체 클래스뿐만 아니라 그 정확한 공간 경계를 포함하는 여러 주석이 필요합니다. 이러한 요구 사항은 수동 및 자동 주석 과정에서 오류와 불일치가 발생할 가능성을 높입니다. 다양한 노이즈 조건을 시뮬레이션함으로써, 우리는 인스턴스 분할 모델들의 강건성과 일반화 능력을 평가하기 위한 현실적인 시나리오를 제공하며, COCO-N과 Cityscapes-N을 소개합니다. 또한, 기초 모델과 약한 주석을 활용하여 반자동 주석 도구와 그 노이즈 라벨을 시뮬레이션하는 약한 주석 노이즈 벤치마크인 COCO-WAN(COCO Weakly Annotated Noise)를 제안합니다. 이 연구는 다양한 모델들이 생성하는 분할 마스크의 품질을 밝히고, 라벨 노이즈 학습 문제를 해결하기 위해 설계된 인기 있는 방법들의 효과성을 도전합니다.