弱教師ありセマンティックセグメンテーションにおける情報ボトルネックの低減

弱教師付きセマンティックセグメンテーションは、クラスラベルからピクセル単位の局所化を生成する手法であるが、このようなラベルで学習された分類器は、ターゲットオブジェクトの小さな識別的な領域にのみ注目しがちである。本研究では、情報ボトルネック原理を用いてこの現象を解釈する。深層ニューラルネットワークの最終層はシグモイド関数やソフトマックス関数といった活性化関数によって活性化されるが、これにより情報ボトルネックが生じ、タスクに関連する情報の一部しか出力に伝達されない。まず、簡易なシミュレーション実験を通じてこの主張を裏付け、その後、最後の活性化関数を除去することで情報ボトルネックを軽減する手法を提案する。さらに、識別的でない領域からの情報伝達を促進する新たなプーリング手法を導入した。実験評価の結果、この単純な修正により、PASCAL VOC 2012およびMS COCO 2014の両データセットにおいて局所化マップの品質が顕著に向上し、弱教師付きセマンティックセグメンテーションにおいて新たな最良性能（SOTA）を達成した。コードは以下のURLから公開されている：https://github.com/jbeomlee93/RIB。