Core Concepts
少量のサンプルを用いて、既知のクラスと未知のクラスの両方を同時に正確にセグメンテーションする手法を提案する。
Abstract
本研究では、一般化された少量サンプルによる意味的セグメンテーション(GFSS)問題に取り組む。GFSS問題では、限られた数のサンプルしか利用できない未知のクラスを、既知のクラスと同時にセグメンテーションする必要がある。
提案手法の特徴は以下の通り:
ベースクラスのみを用いて1回だけモデルを訓練し、未知クラスに対してはそのモデルに学習可能なプロンプトを追加することで、未知クラスの追加によるベースクラスの性能劣化を防ぐ。
パッチベースの予測を行い、パッチ境界の不連続性を解消するためにパッチ結合手法を提案する。これにより、リモートセンシングデータに特徴的な様々なサイズのオブジェクトを効果的にセグメンテーションできる。
類似画像検索とクラスフィルタリングを組み合わせることで、未知クラスの誤検出を抑制する。
実験の結果、提案手法はベースラインに比べて大幅な精度向上を達成した。特に、パッチ結合手法とクラスフィルタリングが精度向上に大きく寄与した。
Stats
提案手法のベースラインに対する精度向上は19.12ポイントに達した。
パッチ結合手法の導入により、精度が13.59ポイント向上した。
クラスフィルタリングの導入により、さらに5.67ポイントの精度向上が得られた。
Quotes
"少量サンプルによる意味的セグメンテーションは、リモートセンシングアプリケーションにおいて重要な課題である。アノテーションコストが高く、ユーザーの多様な関心に対応できる適応性の高いセグメンテーションモデルが必要とされている。"
"提案手法は、ベースクラスの性能を維持しつつ、未知クラスの予測も可能にする簡単かつ効果的な手法である。"