Weakly-supervised Semantic Segmentation using Pseudo-labels of unlabeled data
SuHyun Yoon, Jee-Hyong Lee · Journal of Korean institute of intelligent systems · 2022
의미론적 이미지 분할 모델 학습을 위한 픽셀 단위의 라벨을 수집하는 것은 클래스 단위의 라벨링보다 더 어렵고, 많은 시간이 필요하다. 현재 라벨링 비용을 줄이기 위해 클래스 라벨과 같이 정보가 적은 라벨을 사용하여 이미지 분할 모델을 학습하는 약지도 기반 학습 방법들이 연구되고 있지만, 클래스 단위 라벨링도 상당한 자원을 필요로 한다. 따라서 본 연구는 다수의 클래스 라벨이 없는 이미지 데이터를 약지도 의미론적 이미지 분할 학습에 추가로 활용하는 방법을 제안한다. 제안하는 아이디어의 핵심은 이미지 분류 모델의 예측 오류를 줄여 이미지 분할 모델이 라벨이 없는 데이터의 위치 정보를 효과적으로 학습하고자 한다. 보조 이미지 분류 모델을 사용한 의사 라벨링 기법으로 이미지 분할 모델의 성능을 높인다. 실험 결과 클래스가 없는 데이터를 사용할 경우 PASCAL VOC 2012 데이터에 대해 기존 모델 대비 높은 정확도와 안정성을 가진다.