본 논문은 인스턴스 분할에서 일반화된 클래스 발견(GCD) 문제를 다룹니다. 기존 클래스와 새로운 클래스 모두의 인스턴스를 분할할 수 있는 모델을, 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 사용하여 학습하는 것을 목표로 합니다. 실제 세계에는 긴 꼬리 분포를 가진 많은 객체가 존재하기 때문에 각 클래스의 인스턴스 분포는 본질적으로 불균형합니다. 이러한 불균형 분포를 해결하기 위해, 본 논문에서는 대조 학습을 위한 인스턴스별 온도 할당(ITA) 방법과 의사 레이블을 위한 클래스별 신뢰성 기준을 제안합니다. ITA 방법은 헤드 클래스에 속한 샘플에 대한 인스턴스 구별을 완화하여 GCD를 향상시킵니다. 신뢰성 기준은 GCD에서 얻은 의사 레이블을 사용하여 인스턴스 분할 네트워크를 학습할 때 테일 클래스에 대한 대부분의 의사 레이블을 제외하는 것을 방지하기 위해 사용됩니다. 또한, 초기 단계에서는 다양한 샘플을 활용하고 후기 단계에서는 신뢰할 수 있는 의사 레이블에만 의존하도록 기준을 동적으로 조정하는 방법을 제안합니다. GCD를 위해 객체 특정 표현을 인코딩하는 효율적인 소프트 어텐션 모듈도 도입합니다. COCO$_{half}$ + LVIS 및 LVIS + Visual Genome 두 가지 설정에서 실험을 수행하여 제안된 방법을 평가했습니다. 실험 결과, 제안된 방법이 기존 최첨단 방법보다 성능이 우수함을 보여줍니다.
