半教師付き意味分割のための敵対的学習

本研究では、敵対ネットワークを使用した半教師付き意味分割の手法を提案します。既存の大半の識別器は、入力画像を画像レベルで真偽に分類するように訓練されていますが、我々は空間解像度を考慮しつつ、予測確率マップと正解のセグメンテーション分布を区別するための完全畳み込み型識別器を設計しました。提案された識別器が、標準的なクロスエントロピー損失と組み合わせることで意味分割の精度向上に寄与することを示しています。さらに、完全畳み込み型識別器は、ラベルなし画像の予測結果における信頼できる領域を見出すことで半教師付き学習を可能にし、追加の監督信号を提供します。既存の弱ラベル画像を利用する手法とは異なり、我々の手法はラベルなし画像を利用してセグメンテーションモデルを強化します。PASCAL VOC 2012およびCityscapesデータセットでの実験結果により、提案アルゴリズムの有効性が示されています。