GraphNet

약하게 감독되는 의미론적 이미지 분할은 정확한 픽셀 수준 주석이 부족한 문제를 겪고 있습니다. 본 논문에서는 약한 주석으로부터 픽셀 수준 레이블을 학습하기 위해 GraphNet이라는 새로운 그래프 컨볼루션 네트워크 기반 방법을 제안합니다. 첫째, 저수준 공간 관계와 고수준 의미 내용을 결합하여 훈련 이미지의 슈퍼픽셀에 그래프를 구성합니다. 동시에, 스크리블 또는 바운딩 박스 주석이 각각 그래프에 임베드됩니다. 그런 다음, GraphNet은 그래프를 입력으로 받아들이고 그래프에서 직접 작동하는 컨볼루션 네트워크를 통해 높은 신뢰도의 유사 이미지 마스크를 예측하는 방법을 학습합니다. 마지막으로 이러한 유사 이미지 마스크로 감독 훈련된 분할 네트워크를 학습합니다. 우리는 PASCAL VOC 2012 및 PASCAL-CONTEXT 분할 벤치마크에서 포괄적으로 실험을 수행합니다. 실험 결과는 GraphNet이 스크리블 또는 바운딩 박스 주석으로 픽셀 레이블을 예측하는데 효과적임을 보여줍니다. 제안된 프레임워크는 커뮤니티에서 최첨단 결과를 제공합니다.