弱い教師ありインスタンスセグメンテーションによる深層コミュニティ学習

私たちは、複数のタスクを組み合わせた深層コミュニティ学習に基づく弱教師付きインスタンスセグメンテーションアルゴリズムを提案します。このタスクは、弱教師付きオブジェクト検出とセマンティックセグメンテーションの組み合わせとして定式化されており、同一クラス内の個々のオブジェクトが別々に識別され、セグメント化されます。この問題に対処するために、バウンディングボックス回帰によるオブジェクト検出、インスタンスマスク生成、インスタンスセグメンテーション、および特徴抽出の正のフィードバックループを持つ統合された深層ニューラルネットワークアーキテクチャを設計しました。ネットワークの各コンポーネントは他のコンポーネントと能動的に相互作用し、精度向上に寄与します。また、モデル全体でのエンドツーエンド学習が可能であるため、結果がより堅牢かつ再現性が高いです。提案したアルゴリズムは、Fast R-CNNやMask R-CNNなどの追加訓練を行わずに標準ベンチマークデータセットで最先进の性能を達成しています。当該アルゴリズムの実装はプロジェクトウェブページ（https://cv.snu.ac.kr/research/WSIS_CL）で公開されています。