Core Concepts
提案するDSSNは、ピクセル単位の対照学習と弱-強教師あり疑似ラベル生成を組み合わせることで、利用可能な教師なしデータの最大限の活用を可能にする。さらに、クラス認識疑似ラベル生成戦略を導入し、長尾クラスの性能を向上させる。
Abstract
本論文は、半教師あり意味論的セグメンテーション(SSS)の問題に取り組むDSSNという新しい手法を提案している。
DSSNの主な特徴は以下の通り:
ピクセル単位の対照学習を活用し、低レベル画像空間と高レベル特徴空間の両方で強力な拡張ビューを使用してポジティブペアを整列させることで、利用可能な教師なしデータの最大限の活用を可能にする。
弱-強教師あり疑似ラベル生成を導入し、弱拡張ビューの予測を使用して強拡張ビューを監督する。
クラス認識疑似ラベル生成(CPLG)戦略を提案し、クラスの学習状況と難易度を考慮することで、長尾クラスの性能を向上させる。
実験結果では、DSSNが2つのベンチマークデータセット(PASCAL VOC 2012とCityscapes)において、最先端の手法を大幅に上回る性能を示している。また、各コンポーネントの有効性を検証する詳細な分析も行われている。
Stats
弱拡張ビューの予測確率が最大のピクセルを選択することで、長尾クラスの性能が向上した。
固定閾値を使用する従来手法と比較して、提案手法のCPLGが優れた性能を示した。
Quotes
"提案するDSSNは、ピクセル単位の対照学習と弱-強教師あり疑似ラベル生成を組み合わせることで、利用可能な教師なしデータの最大限の活用を可能にする。"
"クラス認識疑似ラベル生成(CPLG)戦略を提案し、クラスの学習状況と難易度を考慮することで、長尾クラスの性能を向上させる。"