画像レベルのラベルを用いたオブジェクトセグメンテーションにおけるサリエンシーの活用

近年、意味ラベリングタスクにおいて著しい進歩が見られています。しかし、最先端の手法は大規模なピクセルレベルのアノテーションに依存しています。本論文では、存在するオブジェクトクラスの画像レベルのアノテーションからピクセル単位の意味ラベラーネットワークを学習させる問題について研究しています。最近、高品質なシード（区別的なオブジェクト領域を示すもの）が画像レベルのラベルから得られることを示しています。追加情報なしで、オブジェクトの完全な範囲を得ることは共発生のために本質的に困難な問題です。私たちは、サリエンシー・モデルを使用して追加情報を得ることを提案します。これにより、オブジェクト範囲と画像統計に関する事前知識を利用できます。両方の情報源を組み合わせて、完全監督性能の80%を回復する方法を示します。これは、弱い監督下でのピクセル単位意味ラベリングの新しい最先端です。コードは以下のURLで公開されています: https://goo.gl/KygSeb。注：「シード」（seeds）と「サリエンシー・モデル」（saliency model）は専門用語であり、一般的に使用される日本語訳を使用しました。「共発生」（co-occurrences）も同様に翻訳しましたが、文脈によって異なる解釈がある場合がありますのでご注意ください。