ClassMix：セグメンテーションベースのデータ拡張による半教師付き学習

セマンティックセグメンテーションの最先端技術は、性能が着実に向上しており、さまざまな応用分野においてより正確かつ信頼性の高いセグメンテーションが可能になっている。しかし、トレーニング用ラベルの生成コストが進展を制限しており、単一の画像に対して手作業で数時間に及ぶ作業が必要な場合もある。このため、セミスーパービズド手法がこのタスクに適用されてきたが、その効果は程度の差はあったものの、一定の限界があった。重要な課題の一つとして、セミスーパービズド分類で一般的に用いられるデータ拡張手法が、セマンティックセグメンテーションにおいては効果が薄いことが挙げられる。本研究では、ネットワークの予測結果を活用してオブジェクト境界を尊重しながら、ラベルなしサンプルを混合することで拡張データを生成する新しいデータ拡張手法「ClassMix」を提案する。この手法は、一般的なセミスーパービズドセマンティックセグメンテーションのベンチマーク2種類において評価され、最先端の性能を達成した。さらに、設計選択や学習戦略の違いを比較する包括的なアブレーションスタディも提供している。