경계 강화형 공동 훈련을 통한 약한 감독 하의 세분화 분할

기존의 약한 감독(semantic segmentation, WSSS) 기법들은 주로 정확하고 완전한 클래스 활성화 맵(Class Activation Maps, CAMs)을 의사 레이블(pseudo-labels)로 생성하는 데에 초점을 맞추고 있지만, 분할 네트워크의 훈련 중요성은 간과하고 있다. 본 연구에서는 CAM 내 의사 레이블의 품질과 최종 분할 모델의 성능 사이에 일관성 부족이 존재하며, 특히 잘못 레이블링된 픽셀은 주로 경계 영역에 집중되어 있음을 관찰하였다. 이러한 발견을 바탕으로, 노이즈가 포함된 의사 레이블 상황에서도 강건한 학습을 목표로 하는 것이 WSSS의 핵심이 되어야 한다고 주장하며, 이를 위한 경계 강화 공훈련(Boundary-enhanced Co-training, BECO) 방법을 제안한다. 구체적으로, 불확실한 픽셀의 학습을 향상시키기 위해 두 개의 상호작용 네트워크를 활용한 공훈련(co-training) 프레임워크를 제안한다. 또한, 어려운 경계 영역의 예측 성능을 향상시키기 위해 신뢰할 수 있는 예측을 활용하여 인공 경계를 구성하는 경계 강화 전략을 도입한다. 공훈련 구조와 경계 강화 기법의 설계 덕분에, 본 방법은 다양한 CAM 유형에 대해 뛰어난 분할 성능을 달성할 수 있다. PASCAL VOC 2012 및 MS COCO 2014 데이터셋을 대상으로 실시한 광범위한 실험을 통해, 제안하는 BECO 방법이 기존 최첨단 기법들에 비해 우수한 성능을 보임을 입증하였다.