ドメインシフト下におけるセマンティックセグメンテーションのための双曲アクティブ学習

我々は、セマンティックセグメンテーションにおけるピクセルレベルのアクティブラーニングに対して、双曲型ニューラルネットワークアプローチを提案する。データ統計の分析から、双曲半径がデータ不足の指標として新たな解釈が可能であることが明らかになった。HALO（Hyperbolic Active Learning Optimization）では、初めてエピステミック不確実性をデータ取得戦略として採用した。これは、最も未知のデータポイントを選択する直感に基づくものである。双曲半径は、広く用いられている予測エントロピーと併用されることで、エピステミック不確実性を効果的に近似する。本研究では、既存の合成データから実データへのベンチマーク（GTAV → Cityscapes および SYNTHIA → Cityscapes）に基づき、広範な実験分析を実施した。さらに、悪天候条件下におけるドメイン適応を想定し、Cityscapes → ACDCの設定でもHALOを評価し、畳み込み型およびアテンションベースのバックボーンを比較した。その結果、HALOはドメインシフト下におけるセマンティックセグメンテーションのアクティブラーニングにおいて、新たな最良の性能を達成した。特に、わずか1%のラベルのみを用いるという制約下で、従来の教師ありドメイン適応の性能を上回る初めてのアクティブラーニング手法として、重要な意義を持つ。