要約
本論文では、画像レベルのラベルのみを教師信号として用いて画像のセマンティックセグメンテーションネットワークを学習する問題に着目している。このアプローチは、人為的なラベル付け作業を大幅に削減できるため、極めて重要である。近年の最先端手法は、深層分類ネットワークを用いて各オブジェクトクラスに対するスパースかつ判別性の高い領域を推定し、その領域を教師信号として用いてセマンティックセグメンテーションネットワークを学習する。従来の種付き領域成長（seeded region growing）に基づく画像セグメンテーション手法に着想を得て、本研究では判別性のある領域から出発し、種付き領域成長を用いてピクセルレベルの教師信号を段階的に拡張する形でセマンティックセグメンテーションネットワークを学習する手法を提案する。種付き領域成長モジュールは深層セグメンテーションネットワークに統合されており、深層特徴を活用できる。従来の深層ネットワークが固定されたラベルを用いるのに対し、本手法では画像内の文脈情報を用いて動的に新しいラベルを生成する。提案手法は固定ラベルを用いる従来の弱教師付きセグメンテーション手法を大きく上回り、最先端の性能を達成した。具体的には、PASCAL VOC 2012テストセットにおいて63.2%のmIoU、COCOデータセットにおいて26.0%のmIoUを達成した。