확장 합성곱 다시 살펴보기: 약한 및 반지도 의미 분할을 위한 간단한 접근법

놀라운 발전에도 불구하고, 약한 감독 분할 접근법은 여전히 완전 감독 접근법보다 열악하다. 우리는 성능 격차가 주로 이미지 수준 감독으로부터 고품질 밀집 객체 위치 맵을 생성하는 학습의 제한에서 비롯된다는 것을 관찰했다. 이러한 격차를 완화하기 위해, 우리는 확장 합성곱을 다시 살펴보고 이를 새로운 방식으로 활용하여 약한 감독 분할 접근법의 이 중요한 제한을 효과적으로 극복할 수 있는 방법을 밝힌다. 구체적으로, 우리는 다양한 확장 비율이 합성곱 커널의 수용 범위를 효과적으로 확대하고 더 중요한 것은 주변의 차별화된 정보를 비차별화된 객체 영역으로 전달하여 이러한 영역이 객체 위치 맵에 나타나도록 촉진할 수 있음을 발견했다. 그 후, 우리는 다양한 확장 비율의 합성곱 블록을 갖춘 일반 분류 네트워크를 설계하였다. 이는 밀집하고 신뢰할 수 있는 객체 위치 맵을 생성할 수 있으며 약한 및 반지도 의미 분할 모두에 효과적으로 혜택을 준다. 명백한 단순함에도 불구하고, 우리가 제안하는 접근법은 최첨단 기술을 초월하는 성능을 얻는다. 특히, 약한 감독 설정(이미지 수준 레이블만 사용 가능)에서 60.8% 및 반지도 설정(1,464 개 분할 마스크 이용 가능)에서 67.6% mIoU 점수를 달성하며, 이는 새로운 최첨단 성과이다.