약한 형태의 라벨을 사용하는 약지도 의미 분할(Weakly Supervised Semantic Segmentation, WSSS)은 픽셀 수준 라벨 획득에 드는 주석 비용을 완화하기 위해 활발히 연구되어 왔다. 그러나 편향된 데이터셋에서 학습된 분류기는 단축 특징(shortcut features)을 활용하고, 특정 배경과 객체 사이의 우연적 상관관계에 기반하여 예측하는 경향이 있어 일반화 성능이 저하된다. 본 논문에서는 WSSS를 위한 단축 완화 증강(Shortcut Mitigating Augmentation, SMA)을 제안하며, 이는 학습 데이터에서 관측되지 않은 객체-배경 조합의 합성 표현을 생성하여 단축 특징의 사용을 줄인다. 우리의 접근은 객체 관련 특징과 배경 특징을 분리한다. 이어서 분리된 표현을 셔플(shuffle)하고 결합하여 다양한 객체-배경 조합의 합성 특징을 만든다. SMA로 학습된 분류기는 예측 시 컨텍스트에 덜 의존하고 대상 객체에 더 집중한다. 또한, 귀속(attribution) 방법 기반 메트릭을 사용하여 증강 적용 이후 단축 사용에 관한 분류기의 거동을 분석하였다. 제안된 방법은 PASCAL VOC 2012 및 MS COCO 2014 데이터셋에서 의미 분할 결과의 성능 향상을 달성하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.