비디오 인스턴스 분할은 차량 운전자 보조 시스템의 다중 객체 인지와 장면 이해를 위한 핵심 기술이다. 경계 상자만을 사용하여 네트워크를 학습하는 약한 지도학습 비디오 인스턴스 분할이 교통 장면에서 큰 동적 범위를 가진 객체 분할 정확도를 심각하게 제한하는 문제를 해결하기 위해, 본 논문은 스케일 적응형 생성 조절 약한 지도학습 비디오 인스턴스 분할 네트워크(SAGRNet)를 제안한다. 첫째, 다양한 스케일의 특징 맵 정보 기여도를 동적으로 조절하는 다중 스케일 특징 맵 기여도 동적 적응 조절 모듈을 설계하여 기존의 선형 가중치를 대체하고 객체의 국부 위치 및 전체 윤곽에 대한 집중도를 강화하여 차량, 보행자 등 객체의 촬영 거리 차이에 따른 큰 스케일 동적 범위 문제를 해결한다. 둘째, 다양한 확장률 기반으로 추출된 다중 세분화 공간 정보를 집계하여 가중치 파라미터를 생성하고 각 스케일 특징을 조절하는 대상 인스턴스 다중 세분화 공간 정보 집계 생성 조절 모듈을 구축하여 인스턴스 경계를 세분화하고 채널 간 정보 교환 마스크 특징 맵 표현 능력을 강화하여 인스턴스 가장자리 정보 부족으로 인한 경계 마스크 연속성 결손 문제를 효과적으로 보완한다. 마지막으로, 경계 상자 라벨 감독 정보 약화를 완화하기 위해 직교 손실과 색상 유사도 손실을 도입하여 모델 예측 마스크와 실제 경계 상자의 편차를 줄이고 픽셀별 라벨 속성 분류의 모호함 문제를 계산한다. Youtube-VIS2019에서 추출한 교통 장면 데이터셋 실험 결과, SAGRNet은 약한 감독 기준 네트워크 대비 평균 분할 정확도를 5.1% 향상시켜 38.1%에 도달하며 다중 객체 인지 및 인스턴스 수준 장면 이해 실현에 효과적인 알고리즘 근거를 제공한다.

운전자 보조;약한 지도학습;비디오 인스턴스 분할;적응형 생성 조절;세분화