GMNet：野生環境における大規模パーツ意味セグメンテーションのためのグラフマッチングネットワーク

野生環境における物体の部位の意味的セグメンテーションは、シーン内に複数の物体インスタンスおよびそれらの物体内の複数の部位を検出するという、非常に挑戦的なタスクである。この問題は、詳細な物体理解に不可欠な重要性を持つにもかかわらず、現在までほとんど研究が進んでいない状況にある。本研究では、物体レベルの高次コンテキスト条件付けと部位レベルの空間的関係を組み合わせる新しいフレームワークを提案する。物体レベルの曖昧性に対処するため、部位レベルの意味を学習する際にクラスレベルの意味情報を保持するためのクラス条件付けモジュールを導入する。これにより、デコード段階以前に中間レベルの特徴量にもこの情報が保持される。また、部位レベルの曖昧性および局在化の課題に対処するため、真値と予測された部位間の相対的な空間的関係を一致させることを目的とした、新しい隣接グラフベースのモジュールを提案する。Pascal-Partデータセットにおける実験評価の結果、本手法はこのタスクにおいて最先端の性能を達成した。