연구진은 장면을 평면적인 슬롯 집합으로 분해하고 외형에만 의존하는 기존 슬롯 어텐션 방식의 한계를 지적했어요.
HSA(Hierarchical Slot Attention)는 인간의 인지 방식처럼 계층적 의미를 가진 장면 분해를 학습하는 새로운 모델로, 전경/배경, 객체 카테고리, 개별 인스턴스 세 가지 수준으로 장면을 분해해요.
HSA는 전체 데이터의 10%만 레이블링하고 계층적 정렬 손실을 결합하여 세 가지 수준을 동시에 학습하며, COCO와 PASCAL VOC 데이터셋에서 기존 방식보다 성능이 향상됐어요.