PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.13674v3cs.CV

의미 기반 정규화로서의 약 지도 분할

Weakly Supervised Segmentation as Semantic-Based Regularization

약 지도 시맨틱 분할(WSSS)은 바운딩 박스, 스크리블(scribbles), 또는 이미지 수준 태그와 같은 불완전하거나 거친 주석으로부터 밀집 픽셀 수준 분할 모델을 학습합니다. 최근 연구는 Segment Anything Model(SAM)과 같은 파운데이션 모델을 활용하여 의사 라벨을 생성하지만, 이러한 접근 방식은 일반적으로 휴리스틱 프롬프트 선택에 의존하며 사전 지식이나 이질적인 라벨을 통합할 수 있는 방법이 제한적입니다. 우리는 뉴로심볼릭(neurosymbolic) 관점을 취하여 이러한 격차를 해결합니다: 미분 가능한 퍼지 논리를 딥러닝 분할 모델과 통합합니다. 약한 주석과 도메인 특화 사전 지식은 연속적 논리 제약 조건으로 통합되어, 약한 지도 하에서 SAM을 미세조정합니다. 이후 개선된 파운데이션 모델은 향상된 의사 라벨을 생성하며, 우리는 이를 통해 2단계 프롬프트 프리(prompt-free) 분할 모델을 학습합니다. Pascal VOC 2012 및 REFUGE2 시신경 유두/컵 분할 데이터셋에 대한 실험 결과, 우리의 논리 기반 미세조정이 더 고품질의 의사 라벨을 생성함을 보여주며, 이는 종종 밀집 지도 기준 모델을 초과하는 최첨단 분할 정확도로 이어집니다.