클래스 레이블로부터 픽셀 수준의 정확한 위치를 얻는 것은 약지도(weakly supervised) 의미론적 분할 및 객체 위치 추정에서 핵심적인 과정이다. 학습된 분류기로부터 생성된 어트리뷰션 맵(attribution maps)은 픽셀 수준 위치화를 제공하기 위해 널리 사용되지만, 그 초점은 대상 객체의 작은 식별적(discriminative) 영역에 제한되는 경향이 있다. AdvCAM은 최종 softmax 또는 sigmoid 층 이전에 분류기가 산출하는 분류 점수를 증가시키도록 한 이미지를 조작한 어트리뷰션 맵이다. 이러한 조작은 반(anti-)대항적 방식으로 구현되는데, 원래 이미지는 적대적 공격에서 사용된 방향과 반대 방향으로 픽셀 그라디언트(pixel gradients)를 따라 교란된다. 이 과정은 이전 어트리뷰션 맵들이 충분히 기여하지 못했던, 비식별적이지만 클래스와 관련된 특징을 강화하여, 결과적으로 AdvCAM이 대상 객체의 더 많은 영역을 식별하게 한다. 또한 우리는 대상 객체와 무관한 영역의 잘못된 어트리뷰션을 억제하고, 대상 객체의 작은 영역에 어트리뷰션이 과도하게 집중되는 현상을 방지하는 새로운 정규화 절차를 도입한다. 우리의 방법은 PASCAL VOC 2012와 MS COCO 2014 데이터셋에서 약지도 및 준지도(semi-supervised) 의미론적 분할에서 새로운 최신(state-of-the-art) 성능을 달성한다. 약지도 객체 위치 추정에서는 CUB-200-2011 및 ImageNet-1K 데이터셋에서 새로운 최신 성능을 달성한다.

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