Cross-Image Region Mining with Region Prototypical Network for Weakly Supervised Segmentation

要約

画像レベルのラベルでトレーニングされた弱教師あり画像セグメンテーションは、通常、疑似グラウンドトゥルースの生成中にオブジェクト領域の不正確なカバレッジに悩まされます。
これは、オブジェクトアクティベーションマップが分類目的でトレーニングされており、一般化する機能が不足しているためです。
客観的活性化マップの一般性を改善するために、トレーニングセットのクロスイメージオブジェクトの多様性を調査するための地域プロトタイプネットワークRPNetを提案します。
画像全体の類似したオブジェクトパーツは、領域の特徴の比較によって識別されます。
背景領域が抑制されている間、オブジェクトの信頼度は領域間で伝播され、新しいオブジェクト領域を検出します。
実験は、提案された方法が、PASCAL VOC2012およびMSCOCOで最先端のパフォーマンスを達成しながら、より完全で正確な疑似オブジェクトマスクを生成することを示しています。
さらに、削減されたトレーニングセットに対する提案された方法のロバスト性を調査します。

要約(オリジナル)

Weakly supervised image segmentation trained with image-level labels usually suffers from inaccurate coverage of object areas during the generation of the pseudo groundtruth. This is because the object activation maps are trained with the classification objective and lack the ability to generalize. To improve the generality of the objective activation maps, we propose a region prototypical network RPNet to explore the cross-image object diversity of the training set. Similar object parts across images are identified via region feature comparison. Object confidence is propagated between regions to discover new object areas while background regions are suppressed. Experiments show that the proposed method generates more complete and accurate pseudo object masks, while achieving state-of-the-art performance on PASCAL VOC 2012 and MS COCO. In addition, we investigate the robustness of the proposed method on reduced training sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google