본 논문은 이미지 수준의 레이블만을 사용하여 기존 클래스와 새로운 클래스 모두에 대한 분할을 학습하는 완전 약지도 클래스 증분 학습(CISS) 문제를 다룹니다. 기존 CISS 방법은 비용이 많이 드는 픽셀 수준의 주석이 필요하지만, 본 논문에서는 로컬라이저와 일련의 기본 모델에서 나온 불확실성을 결합하여 강력한 의사 레이블을 생성하는 완전 약지도 방식을 제안합니다. 또한, 망각 문제를 완화하기 위해 이전 클래스와 새로운 클래스를 모두 포함하는 다양한 이미지를 생성하는 예시 기반 데이터 증강 방법을 제시합니다. 15-5 VOC, 10-10 VOC, COCO-to-VOC 세 가지 실험 설정과 상호 배타적 및 중복 시나리오에서 실험을 진행하여, 제안된 방법이 부분적 약지도 방법보다 우수한 성능을 보임을 확인했습니다.
