본 논문은 불완전한 주석 데이터(약한 주석 및 반주석)를 사용하여 주변 환경과 매끄럽게 혼합된 물체를 분할하는 불완전 감독 은폐 객체 분할(ISCOS) 문제를 다룹니다. 이 문제는 불완전한 주석 데이터로 인한 제한된 감독과 은폐 시나리오의 고유한 유사성으로 인한 배경과의 구분 어려움 때문에 매우 어렵습니다. 본 논문에서는 이러한 문제를 해결하기 위한 최초의 통합 방법인 SEE를 제시합니다. SEE는 mean-teacher 프레임워크를 기반으로 SAM(Segment Anything Model)을 활용하여 교사 모델이 생성한 조잡한 마스크를 프롬프트로 사용하여 의사 레이블을 생성합니다. 또한 저품질 분할 마스크의 영향을 완화하기 위해 의사 레이블 생성, 저장 및 감독을 위한 일련의 전략을 제시하고, 다양한 해상도의 특징을 그룹화하고 집계하는 하이브리드 그래뉼러리티 특징 그룹화 모듈을 설계하여 분할 일관성을 높입니다. 다양한 ISCOS 작업에 대한 실험 결과를 통해 제안된 방법의 우수성을 검증하고, 기존 모델의 성능을 향상시키는 플러그 앤 플레이 솔루션으로 활용될 수 있음을 보여줍니다.
시사점, 한계점
•
시사점:
◦
불완전 감독 은폐 객체 분할(ISCOS) 문제에 대한 최초의 통합 방법 제시.
◦
SAM을 활용한 효과적인 의사 레이블 생성 및 관리 전략 제시.
◦
하이브리드 그래뉼러리티 특징 그룹화 모듈을 통한 분할 정확도 향상.
◦
기존 모델 성능 향상을 위한 플러그 앤 플레이 솔루션 제공.
◦
다양한 ISCOS 작업에서 최첨단 성능 달성.
•
한계점:
◦
본 논문에서 제시된 방법의 일반화 성능에 대한 추가적인 검증이 필요할 수 있습니다.
◦
특정 유형의 은폐 객체 또는 배경에 대해서는 성능이 저하될 가능성이 있습니다.
◦
SAM 모델에 대한 의존성이 존재하며, SAM 모델의 성능에 따라 SEE의 성능이 영향을 받을 수 있습니다.
