要約
意味分割の分野は、畳み込みニューラルネットワーク（CNNs）によって学習された強力な特徴量のおかげで、著しい進歩を遂げています。現在の最先端の意味分割手法では、形状情報を抽出するためにマスクされた画像領域からCNN特徴量を抽出しています。この戦略は画像に人工的な境界を導入し、抽出された特徴量の品質に影響を与える可能性があります。また、生画像領域での操作は、単一の画像に対して数千のネットワークを計算する必要があり、時間のかかる処理となります。本論文では、形状情報をマスキングされた畳み込み特徴量を通じて活用することを提案します。提案されるセグメント（例えば、スーパーピクセル）は畳み込み特徴マップ上のマスクとして扱われます。セグメントのCNN特徴量はこれらのマップから直接マスキングされ、認識用の分類器の訓練に使用されます。さらに、「物体」と「もの」（例えば、草、空、水）を同じフレームワーク内で処理するための統合手法も提案します。PASCAL VOCおよび新しいPASCAL-CONTEXTベンチマークにおいて、最先端の結果が示されており、計算速度も大幅に向上しています。