Core Concepts
본 연구는 그래프 신경망을 활용하여 의미 수준 그래프(SLG)와 클래스 수준 그래프(CLG)의 구조적 관계를 포착하고, 이를 통해 잘못된 의사 레이블을 정정하는 알고리즘을 제안한다.
Abstract
본 논문은 반지도 의미 분할을 위한 새로운 접근법을 제안한다. 기존의 의사 레이블링 방식은 잘못된 의사 레이블로 인해 성능이 저하될 수 있는 문제가 있다. 이를 해결하기 위해 본 연구는 그래프 신경망을 활용하여 의미 수준 그래프(SLG)와 클래스 수준 그래프(CLG)를 구축하고, 이를 통해 잘못된 의사 레이블을 정정하는 알고리즘을 제안한다.
SLG는 픽셀 특징 간의 의미적 유사성을 나타내며, CLG는 픽셀 레이블 간의 일관성을 나타낸다. 이 두 그래프 간의 상호작용을 통해 잘못된 의사 레이블을 정정하고, 더 discriminative한 특징 표현을 생성할 수 있다. 제안 방법은 end-to-end로 학습되며, 실험 결과 Cityscapes와 PASCAL VOC 2012 데이터셋에서 기존 최신 방법들을 능가하는 성능을 보였다.
Stats
DeepLabV2 모델을 사용할 때, 제안 방법은 1/30, 1/8, 1/4, 1/2 레이블 데이터 분할에서 각각 11.25%, 8.10%, 5.79%, 5.60% 성능 향상을 보였다.
DeepLabV3+ 모델을 사용할 때, 제안 방법은 1/16, 1/8, 1/4, 1/2 레이블 데이터 분할에서 각각 9.16%, 6.29%, 3.95%, 1.91% 성능 향상을 보였다.
Quotes
"Semi-supervised semantic segmentation relieves the reliance on large-scale labeled data by leveraging unlabeled data."
"Recent semi-supervised semantic segmentation approaches mainly resort to pseudo-labeling methods to exploit unlabeled data. However, unreliable pseudo-labeling can undermine the semi-supervision processes."