Core Concepts
本手法は、意味的レベルグラフ(SLG)と分類レベルグラフ(CLG)を用いて、誤った疑似ラベルを修正し、より正確な特徴表現を生成することで、半教師あり意味的セグメンテーションの性能を大幅に向上させる。
Abstract
本論文は、半教師あり意味的セグメンテーションの性能を向上させるための新しい手法を提案している。
主な内容は以下の通り:
意味的レベルグラフ(SLG)と分類レベルグラフ(CLG)を構築し、これらのグラフ構造を活用することで、誤った疑似ラベルを修正し、より正確な特徴表現を生成する。
SLGは、ピクセル特徴間の意味的類似性を表し、CLGは、ピクセルラベル間の一貫性を表す。
SLGとCLGを相互に更新する自己蒸留プロセスを通じて、誤った疑似ラベルを効果的に修正し、識別的な特徴表現を生成する。
提案手法は、contrastive lossとdynamic weighted cross-entropyを用いて、SLGとCLGを効果的に学習する。
実験結果は、提案手法が、Cityscapes及びPASCAL VOC 2012データセットにおいて、最先端の手法を大きく上回る性能を達成することを示している。
Stats
疎なラベルデータでも、提案手法は監督学習ベースラインに比べて、Cityscapesで最大11.25%、PASCAL VOC 2012で最大15.49%の大幅な性能向上を達成した。
十分なラベルデータがある場合でも、提案手法はベースラインに比べて、Cityscapesで最大5.79%、PASCAL VOC 2012で最大6.97%の性能向上を示した。
Quotes
"半教師あり意味的セグメンテーションは、大規模なラベル付きデータへの依存を和らげ、ラベルなしデータを活用することができる。"
"誤った疑似ラベリングは、半教師あり学習プロセスを損なう可能性がある。"
"ノイズの多い疑似ラベルの影響を軽減するために、グラフ畳み込みネットワークを用いて構造的関係を捉えることが重要である。"