要約
深層距離学習（Deep Metric Learning, DML）は、コンピュータビジョンのタスクにおいて有効な手法である。本論文では、まずDMLを画像コセグメンテーションに導入する。そこで、画像セグメンテーションに特化した新たなトリプレット損失関数、すなわち「IS-トリプレット損失（IS-Triplet loss）」を提案し、従来の画像セグメンテーション損失と組み合わせることで、効果的な学習を実現する。一般的なDMLタスクが画像間の距離尺度を学習するのに対し、本研究では各ピクセルをサンプルとして扱い、高次元空間における埋め込み特徴を用いてトリプレットを構成する。その後、IS-トリプレット損失の最適化により、異なるカテゴリに属するピクセル間の距離を同じカテゴリのピクセル間の距離よりも大きくすることで、高次元特徴空間において異なるカテゴリのピクセルをより明確に区別できるようにする。さらに、IS-トリプレット損失の計算を実現可能にするため、効率的なトリプレットサンプリング戦略を提示する。最終的に、IS-トリプレット損失を3種類の従来の画像セグメンテーション損失と組み合わせ、画像セグメンテーションを実行する。提案手法は画像コセグメンテーションに適用され、SBCosegデータセットおよびインターネットデータセット上で評価された。実験結果から、本手法が高次元空間におけるピクセルカテゴリの識別性を顕著に向上させ、少ない学習エポック数で従来の損失関数の性能を向上させることに寄与することが示された。