半教師付きインスタンスセグメンテーションのためのガイデッドディスティレーション

インスタンスセグメンテーション手法は大幅に改善しましたが、主流のパラダイムは完全にアノテーションされた訓練画像への依存であり、これらの画像を取得することは手間がかかります。この依存を軽減し、結果を向上させるために、半教師ありアプローチはラベル付けされていないデータを追加の訓練信号として活用します。これにより、ラベル付きサンプルへの過学習が制限されます。本稿では、教師-生徒ディスティレーションモデルを大幅に改善する新しい設計選択肢を提案します。特に、(i) 新たな「ガイデッド・バーンイン」ステージを導入することでディスティレーション手法を改善し、(ii) 異なるインスタンスセグメンテーションアーキテクチャやバックボーンネットワークおよび事前学習戦略を評価します。従来の研究では生徒モデルのバーンイン期間に監督データのみを使用していましたが、我々は教師モデルのガイダンスも用いて未ラベルデータをバーンイン期間で活用します。我々の改良されたディスティレーション手法は、以前の最先端結果に対して大幅な改善をもたらします。例えば、Cityscapesデータセットにおいて10%の画像に対してラベルを使用した場合、マスクAP（mask-AP）が23.7から33.9へと向上し、COCOデータセットにおいて1%の訓練データに対してラベルを使用した場合、マスクAPが18.3から34.1へと向上しました。