반감독 및 약한 감독(semi- and weakly supervised) 세분화를 위한 의사 레이블 학습

이 논문에서는 이미지 수준의 분류 레이블이 다수 존재하고, 픽셀 수준의 애너테이션이 소수만 제공되는 반-강화 학습(semi-and-weakly supervised semantic segmentation, SWSSS) 문제를 다루고자 한다. 우리는 SWSSS 문제를 해결하는 데 있어 가장 핵심적인 요소가 고품질의 의사 레이블(pseudo labels) 생성임을 믿으며, 본 연구에서는 이를 두 가지 관점에서 접근한다. 첫째, 네트워크 학습을 위한 클래스 인식형 교차 엔트로피(CCE, class-aware cross entropy) 손실 함수를 제안한다. 기존의 교차 엔트로피 손실과 비교해 CCE 손실은 동시에 존재하는 클래스들만 구분하도록 모델을 유도함으로써, 의사 레이블 생성의 학습 목표를 단순화한다. 둘째, 동적 평가 메커니즘을 갖춘 두 네트워크 간의 상호 보조 학습을 가능하게 하는 점진적 상호 학습(Progressive Cross Training, PCT) 방법을 제안한다. 이 방법은 고품질의 예측 결과를 점진적으로 도입하여 추가적인 감독 신호로 활용함으로써, 네트워크 학습에 효과적인 피드백을 제공한다. 제안한 방법은 매우 제한된 애너테이션 환경에서도 생성된 의사 레이블의 품질을 크게 향상시킨다. 광범위한 실험 결과를 통해 제안된 방법이 최신 기술 대비 유의미한 성능 향상을 보임을 입증하였다.