強力なデータ拡張を用いた半教師付きセマンティックセグメンテーションのシンプルなベースライン

最近、意味分割（semantic segmentation）分野において顕著な進展が見られている。しかし、教師あり意味分割の成功は、大量のラベル付きデータに依存しており、その取得は時間と費用を要するという課題がある。画像分類における半教師あり学習の成功に触発され、本研究では意味分割向けのシンプルでありながら効果的な半教師あり学習フレームワークを提案する。我々は、性能の向上には「細部にこそ真の鍵がある」ことを示す。単純な設計および学習手法の組み合わせが、半教師あり意味分割の性能を顕著に向上させることを実証した。従来の研究[3, 27]は、擬似ラベル学習において強力な増強（strong augmentation）を効果的に活用できていなかった。その理由は、強力な増強によって生じる分布の変化がバッチ正規化（batch normalisation）の統計量に悪影響を及ぼすためである。この問題を解決するために、新たなバッチ正規化手法として「分布特化型バッチ正規化（Distribution-Specific Batch Normalization, DSBN）」を提案し、意味分割における強力な増強の重要性を実証した。さらに、ノイズに強い特性を有する自己補正損失（self-correction loss）も設計した。各モジュールの有効性を確認するため、一連の消去実験（ablation studies）を実施した。本手法は、CityscapesおよびPascal VOCデータセットにおける半教師あり設定において、最先端の性能を達成した。