약한 감독 하의 공동 탐지 및 세그멘테이션을 위한 순환 가이던스

약한 지도 학습은 이미지 내부의 레이블이 필요한 작업, 예를 들어 객체 탐지 및 세분화와 같은 분야에서 레이블링 비용을 크게 절감할 수 있다는 점에서 점점 더 많은 연구 주목을 받고 있다. 이를 위해 기존의 약한 지도 학습 기반 객체 탐지 및 세분화 방법들은 반복적인 레이블 탐색과 모델 학습 파이프라인을 따르고 있다. 그러나 이러한 자가 강화형 파이프라인은 두 작업 모두 국소 최적값에 갇히기 쉬운 문제를 야기한다. 본 논문에서는 처음으로 약한 지도 학습 기반 객체 탐지와 세분화 작업을 다중 작업 학습 기법을 통해 통합하여, 각각의 작업이 실패하는 패턴을 서로 보완함으로써 상호 보완적인 학습을 가능하게 했다. 이러한 교차 작업 강화 기법은 각 작업이 자신의 국소 최적값에서 벗어나는 데 기여한다. 특히, 효율적이고 효과적인 프레임워크인 약한 지도 공동 탐지 및 세분화(Weakly Supervised Joint Detection and Segmentation, WS-JDS)를 제안한다. WS-JDS는 위의 두 작업을 위한 두 개의 브랜치를 가지며, 이 브랜치들은 동일한 백본 네트워크를 공유한다. 학습 단계에서는 동일한 순환 학습 패러다임을 사용하지만, 특정한 손실 함수를 적용하여 두 브랜치가 서로 이점을 얻을 수 있도록 설계되었다. 제안된 모델은 널리 사용되는 Pascal VOC 및 COCO 벤치마크에서 광범위한 실험을 수행하였으며, 최신 기술 대비 경쟁력 있는 성능을 입증하였다.