要約
従来の弱教師付きセマンティックセグメンテーション（WSSS）手法は、擬似ラベルとしての正確かつ完全なクラス活性化マップ（CAM）の生成に多くの注目を寄せているが、セグメンテーションネットワークの学習そのものへの配慮が不足している。本研究では、CAMにおける擬似ラベルの品質と最終的なセグメンテーションモデルの性能の間に不一致が生じており、誤ラベル化されたピクセルは主に境界領域に集中していることを観察した。これらの知見を踏まえ、我々は、ノイズを含む擬似ラベルに対してロバストな学習を重視すべきであると主張し、セグメンテーションモデルの学習を目的とした境界強化型コトレーニング（BECO）手法を提案する。具体的には、不確実なピクセルの学習を改善するため、2つの相互作用するネットワークを用いたコトレーニング枠組みを導入する。さらに、困難な境界領域の予測を向上させるため、信頼性の高い予測を用いて人工的な境界を構築する境界強化戦略を提案する。コトレーニングと境界強化の設計により、本手法は異なるCAMに対して高いセグメンテーション性能を達成可能である。PASCAL VOC 2012およびMS COCO 2014における広範な実験により、他の最先端手法と比較して本手法BECOの優位性が実証された。