경계 상자 타이트함 사전 지식을 활용한 약한 감독 기반 인스턴스 세그멘테이션

이 논문은 엄격한 경계 상자(바운딩 박스) 레이블만을 사용하는 약한 지도(instance segmentation) 방법을 제안한다. 주요 과제는 각 경계 상자 내부에서 전경과 배경의 분리가 불확실한 점에 있다. 이는 해당 영역에 대한 지도 신호가 존재하지 않기 때문이다. 본 연구에서는 문제를 다중 예제 학습(Multiple Instance Learning, MIL) 문제로 재정의하여, 각 경계 상자의 스위핑 라인(sweeping line)을 기반으로 긍정적 및 부정적 백(bag)을 생성함으로써 이 어려움을 해결한다. 제안하는 딥 모델은 완전히 지도된 인스턴스 세그멘테이션 네트워크에 MIL을 통합한 것으로, 단일 항(unary term)과 쌍항 항(pairwise term)으로 구성된 목적 함수를 통해 학습이 가능하다. 단일 항은 각 경계 상자 내 전경과 배경 영역을 추정하고, 쌍항 항은 추정된 객체 마스크의 일관성을 유지한다. 실험 결과, 제안한 방법은 기존의 약한 지도 방법들과 비교해 유리한 성능을 보이며, PASCAL VOC 데이터셋에서 일부 완전 지도 학습 방법을 초월하는 결과를 달성하였다.