信頼性の低い擬似ラベル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

半教師ありセマンティックセグメンテーションの核心は、ラベルなし画像のピクセルに対して適切な擬似ラベルを付与することにある。一般的な手法として、予測確信度が非常に高いものを擬似真値として選択する方法があるが、これにより予測が信頼できないと判断されるピクセルが多数存在し、結果として多くのピクセルが学習に活用されないという問題が生じる。本研究では、予測が曖昧であっても、すべてのピクセルがモデル学習において重要であると主張する。直感的には、信頼性の低い予測は上位クラス（すなわち確率が最も高いクラス）の間で混同しやすいが、残りのクラスには属していないという点では確信を持つべきである。したがって、そのようなピクセルは、最も可能性の低いクラスに対して明確なネガティブサンプルとして扱うことができる。この知見に基づき、ラベルなしデータを効果的に活用するための有効なパイプラインを提案する。具体的には、予測のエントロピーを用いて信頼性のあるピクセルと信頼性の低いピクセルを分離し、信頼性の低いピクセルを各カテゴリごとのネガティブサンプルキューに配置することで、すべての候補ピクセルを用いたモデル学習を実現する。さらに、学習の進行に伴い予測精度が向上するという特性を考慮し、信頼性と非信頼性の分離閾値を動的に調整する仕組みを導入する。さまざまなベンチマークおよび学習設定における実験結果から、本手法が最先端の手法を上回る優れた性能を示すことが確認された。