약하게 지도된 분할을 위한 제약된 합성곱 신경망

우리는 이미지 수준 태그로부터 조밀한 픽셀 단위 레이블링을 학습하는 방법을 제시합니다. 각 이미지 수준 태그는 합성곱 신경망(CNN) 분류기의 출력 레이블링에 제약을 가합니다. 우리는 Constrained CNN(CCNN)을 제안하는데, 이는 CNN의 출력 공간(즉, 예측된 레이블 분포)에 대한 선형 제약 집합에 최적화하는 새로운 손실 함수를 사용하는 방법입니다. 우리의 손실 공식은 최적화가 쉽고 표준 확률적 경사 하강법 최적화에 직접 통합될 수 있습니다. 핵심 아이디어는 선형 모델에 대해 학습 목표를 쌍볼록 최적화 문제로 표현한 후 이를 비선형 딥 네트워크로 완화하는 것입니다. 광범위한 실험을 통해 우리의 새로운 학습 프레임워크의 일반성을 입증했습니다. 제약 손실은 약하게 지도된 의미 기반 이미지 분할에서 최첨단 결과를 보여줍니다. 더 나아가 약간 더 많은 감독을 추가하면 학습 알고리즘의 성능을 크게 향상시킬 수 있음을 입증합니다.