Semi-supervisiertes semantisches Segmentieren benötigt starke, vielfältige Störungen

Konsistenzregularisierung beschreibt eine Klasse von Ansätzen, die bahnbrechende Ergebnisse bei halbüberwachten Klassifikationsproblemen erbracht haben. Frühere Arbeiten haben die Clusterannahme – unter der die Datenverteilung aus gleichförmigen Klassenclustern von Proben besteht, die durch Regionen mit geringer Dichte getrennt sind – als wichtig für ihren Erfolg etabliert. Wir analysieren das Problem der semantischen Segmentierung und stellen fest, dass ihre Verteilung keine Regionen mit geringer Dichte aufweist, die die Klassen trennen, und bieten dies als Erklärung dafür an, warum halbüberwachte Segmentierung ein herausforderndes Problem ist, bei dem nur wenige erfolgreiche Berichte vorliegen. Anschließend identifizieren wir die Wahl der Augmentierung als entscheidend für eine zuverlässige Leistung ohne solche Regionen mit geringer Dichte. Wir finden heraus, dass angepasste Varianten der kürzlich vorgeschlagenen CutOut- und CutMix-Augmentierungstechniken in Standarddatensätzen den aktuellen Stand der Technik in halbüberwachter semantischer Segmentierung erreichen. Darüber hinaus schlagen wir vor, dass die semantische Segmentierung aufgrund ihrer Herausforderungen einen effektiven Säuretest zur Bewertung halbüberwachter Regularisierer darstellt. Implementierung: https://github.com/Britefury/cutmix-semisup-seg.