Expand-and-Quantize: 高次元空間と積量化を用いた教師なし意味分割

非監督意味分割（Unsupervised Semantic Segmentation: USS）は、ラベルなしで意味のあるカテゴリを発見し認識することを目指しています。成功するUSSには、以下の2つの重要な能力が必要です：1) 情報圧縮と 2) クラスタリング能力。従来の手法では、情報圧縮のために特徴量次元削減に依存していましたが、このアプローチはクラスタリングの過程を妨げる可能性があります。本論文では、高次元空間によるより良いクラスタリングと積量化による効果的な情報圧縮の利点を組み合わせた新しいUSSフレームワーク「Expand-and-Quantize Unsupervised Semantic Segmentation (EQUSS)」を提案します。我々の広範な実験結果は、EQUSSが3つの標準ベンチマークにおいて最先端の成果を達成していることを示しています。さらに、USS特徴量のエントロピーを解析しており、これは情報理論の観点からUSSを理解する最初の一歩となります。