弱教師付きコトレーニング：割り当て交換を用いたセマンティックセグメンテーション

クラス活性マップ（CAM）は、弱教師ありセマンティックセグメンテーション（WSSS）において、擬似ラベルを生成するために広く用いられている。既存の研究では、CAMの不完全さや過剰な活性化の問題から、オフラインでのCAMの精緻化を導入する場合が多く、追加の処理段階やオフラインモジュールを提案している。しかし、このようなアプローチは単段階手法における最適化の困難を引き起こし、汎化性能を制限する要因となる。本研究では、CAMの不整合性および誤差を低減することで、精緻化プロセスへの依存を軽減することを目的としている。我々は、ガイド付きCAMを組み込んだエンドツーエンド型WSSSモデルを提案する。このモデルでは、セグメンテーションモデルの学習と同時に、CAMのオンライン最適化を並行して実行する。提案手法である「交差学習による割り当て交換法（Co-training with Swapping Assignments, CoSA）」は、二重ストリームフレームワークを採用しており、一方のサブネットワークが他方のサブネットワークによって生成された交換されたラベル割り当てから学習を行う。本手法では以下の3つの技術を導入する：i）不確実領域をペナルティするソフトなパーキュリティに基づく正則化；ii）信頼度閾値を動的に再調整する閾値探索法；iii）共存問題に対処するための対照的分離。CoSAは優れた性能を示し、VOCおよびCOCOの検証データセットにおいて、それぞれ76.2%および51.0%のmIoUを達成し、既存のベースラインを大きく上回った。特に、追加の教師信号を用いる多段階手法を含むすべての既存手法を上回る初めての単段階アプローチである。コードは以下のURLから公開されている：\url{https://github.com/youshyee/CoSA}。