Core Concepts
본 연구는 자연스러운 적대적 예제를 활용하여 세그먼트 어싱 모델의 일반화 능력을 향상시키는 새로운 방법론을 제안한다.
Abstract
본 연구는 세그먼트 어싱 모델(SAM)의 성능을 향상시키기 위한 새로운 방법론인 ASAM을 소개한다. ASAM은 자연스러운 적대적 예제를 생성하고 이를 활용하여 SAM을 미세 조정하는 접근법이다.
구체적으로 다음과 같은 과정을 거친다:
안정 확산 모델을 활용하여 SA-1B 데이터셋의 일부(1%)에 대한 자연스러운 적대적 예제를 생성한다.
생성된 적대적 예제와 원래의 마스크 레이블을 활용하여 SAM을 미세 조정한다.
이를 통해 SAM의 일반화 능력을 향상시키며, 추가적인 데이터나 구조 변경 없이도 다양한 세그먼테이션 작업에서 성능 향상을 달성한다.
실험 결과, ASAM은 기존 SAM 대비 다양한 세그먼테이션 작업에서 평균 1.3 mIoU 향상을 보였다. 이는 자연스러운 적대적 예제를 활용한 미세 조정이 SAM의 일반화 능력을 효과적으로 향상시킬 수 있음을 보여준다.
Stats
다양한 세그먼테이션 작업에서 ASAM이 기존 SAM 대비 평균 1.3 mIoU 향상을 달성했다.
ASAM은 DOORS, LVIS, ZeroWaste-f, NDISPark, Egohos, Plittersdorf, BBC038V1 데이터셋에서 각각 87.1, 81.2, 46.9, 82.2, 82.0, 79.0, 85.0의 mIoU 성능을 보였다.
ASAM은 Ade20k, VOC2012, Cityscapes, COCO2017, CAMO, Big 데이터셋에서 각각 75.5, 80.6, 56.0, 79.4, 73.0, 87.0의 mIoU 성능을 보였다.
Quotes
"본 연구는 자연스러운 적대적 예제를 활용하여 세그먼트 어싱 모델의 일반화 능력을 향상시키는 새로운 방법론을 제안한다."
"ASAM은 기존 SAM 대비 다양한 세그먼테이션 작업에서 평균 1.3 mIoU 향상을 달성했다."