17日前
CascadePSP:グローバルおよびローカルな精 refinement を通じたクラス無関係かつ非常に高解像度なセグメンテーションへ
Ho Kei Cheng, Jihoon Chung, Yu-Wing Tai, Chi-Keung Tang

要約
最先端のセマンティックセグメンテーション手法は、ほぼすべてが固定された解像度範囲内の画像にのみ訓練されてきた。このような手法は、非常に高解像度の画像に対しては精度が低下する。その理由は、低解像度のセグメンテーション結果を双三次補間(bicubic upsampling)で拡大するだけでは、物体境界における高解像度の詳細を適切に捉えられないためである。本論文では、高解像度の訓練データを一切使用せずに、高解像度セグメンテーション問題に対処する新たなアプローチを提案する。本手法の鍵となるのは、境界の局所的な修正を可能な限り行う「CascadePSPネットワーク」である。このネットワークは低解像度のセグメンテーションデータで訓練されるが、4Kを超える非常に高解像度の画像に対しても適用可能である。異なるデータセットを用いた定量的・定性的な評価を通じて、我々の新規なリファインメントモジュールを用いることで、微細なピクセルレベルの境界を正確に抽出できることを示した。また、微調整(finetuning)を一切行わずにこの性能を達成しているため、本手法はクラスに依存しない(class-agnostic)と見なせる。最後に、複数クラスセグメンテーションにおけるシーン解析への本モデルの応用を実証した。