RecurSeed および EdgePredictMix：単一段階および複数段階フレームワークに跨る弱教師付きセマンティックセグメンテーションにおける疑似ラベル精製学習

画像レベルのラベルのみを用いた弱教師ありセマンティックセグメンテーション（WSSS-IL）は、潜在的に有用であるものの、依然として性能が低く、実装の複雑さが応用を制限している。その主な原因は（a）未検出現象および（b）誤検出現象に起因する。具体的には、（a）従来のWSSS-IL手法で精緻化されたクラス活性マップは、大規模なオブジェクトに対して依然として部分的な領域しか表現できず、（b）小規模なオブジェクトでは過剰活性化が生じ、オブジェクトのエッジから逸脱してしまう。本研究では、再帰的反復によって未検出と誤検出を交互に低減する手法「RecurSeed」を提案する。これにより、両方の誤差を最小化する最適な接合点を間接的に探索することが可能となる。さらに、セグメンテーション結果の隣接ピクセル間の確率差情報を活用し、オブジェクトのエッジ表現を強化する新しいデータ拡張（DA）手法「EdgePredictMix」を提案する。これにより、従来のDA手法をWSSS-ILに適用する際の欠点を補完する。本手法は、PASCAL VOC 2012およびMS COCO 2014のベンチマークにおいて、それぞれ新記録となる最先端の性能を達成した（VOC val: 74.4%、COCO val: 46.4%）。実装コードは、https://github.com/shjo-april/RecurSeed_and_EdgePredictMix にて公開されている。