自己生成のガイダンスによる弱教師あり物体位置特定

弱教師監督手法は通常、分類ネットワークによって生成された注意マップに基づいて位置特定の結果を生成します。しかし、これらの注意マップは対象物体の最も識別可能な部分、つまり小さく散在している部分を示す傾向があります。本研究では、前景（対象物体）と背景を分離し、分類ネットワークに画素間の空間相関情報を提供する自己生成ガイダンス（Self-produced Guidance, SPG）マスクの生成を提案します。段階的なアプローチを用いて、高信頼度の物体領域を取り入れてSPGマスクを学習することを目指しています。注意マップ内の高信頼度領域を利用して、SPGマスクの学習を段階的に進めていきます。その後、これらのマスクは補助的なピクセルレベルの教師データとして使用され、分類ネットワークの学習を促進します。ILSVRCでの広範な実験により、SPGが高品質な物体位置特定マップの生成に効果的であることが示されました。特に、提案したSPGはILSVRC検証セットにおいてTop-1位置特定誤差率43.83%を達成しており、これは新しい最先端の誤差率となっています。