摂動付きかつ厳密な平均教師による半教師付きセマンティックセグメンテーション

入力画像、特徴量、またはネットワークに対する摂動を用いた一貫性学習は、半教師付きセマンティックセグメンテーションにおいて顕著な成果を上げているが、このアプローチはラベルの付いていない訓練画像に対する予測の不正確さによって深刻に影響を受けることがある。これらの不正確な予測には以下の二つの結果がもたらされる：1）「厳密」な交差エントロピー（CE）損失に基づく学習は、予測誤りに容易に過適合し、確認バイアス（confirmation bias）を引き起こす可能性がある；2）これらの不正確な予測に適用された摂動は、誤った予測を訓練信号として利用することになり、一貫性学習の性能を低下させる。本論文では、新たな平均教師（mean-teacher, MT）モデルの拡張を提案することで、一貫性学習手法における予測精度の問題に対処する。具体的には、新たな補助教師（auxiliary teacher）の導入と、MTにおける均等二乗誤差（MSE）をより厳格な信頼度重み付き交差エントロピー（Conf-CE）損失に置き換えることで、より正確な予測を実現する。このモデルにより、ネットワーク、入力データ、特徴量の複合的な摂動を挑戦的な組み合わせで使用し、一貫性学習の汎化性能を向上させることが可能となる。特に特徴量の摂動には、新たな敵対的摂動（adversarial perturbation）を含む。公開ベンチマーク上での実験結果から、本手法が従来の最先端（SOTA）手法に対して顕著な性能向上を達成していることが示された。本研究のコードは、https://github.com/yyliu01/PS-MT にて公開されている。