AutoEnsemble: Automated Ensemble Search Framework for Semantic Segmentation Using Image Labels

要約

現実の世界で最先端のセマンティック セグメンテーション ネットワークを採用する際の主なボトルネックは、トレーニング ラベルの可用性です。
標準的なセマンティック セグメンテーション ネットワークでは、最先端の予測品質に到達するために、大量のピクセル単位の注釈付きラベルが必要です。
したがって、いくつかの研究は、画像レベルの注釈のみでトレーニングされたセマンティック セグメンテーション ネットワークに焦点を当てています。
ただし、最先端の結果をより詳細に精査すると、平均的な予測品質は互いに非常に近いものの、異なるアプローチは異なるクラスでより優れたパフォーマンスを発揮し、他のクラスでは低品質を提供することがわかります.
この問題に対処するために、新しいフレームワーク AutoEnsemble を提案します。これは、クラスごとのレベルでのさまざまなセグメンテーション手法の特定のセットに「疑似ラベル」のアンサンブルを使用します。
疑似ラベルは、最終的なセグメンテーション モデルのトレーニングに使用される画像レベルのセマンティック セグメンテーション フレームワークのピクセル単位の予測です。
当社の疑似ラベルは、複数のセグメンテーション手法アプローチの長所をシームレスに組み合わせて、優れた予測品質を実現します。
AutoEnsemble のコンポーネントよりも最大 2.4% 向上しています。
画像レベルのセマンティック セグメンテーションの最先端のフレームワークに対する AutoEnsemble の有効性を実証するために、徹底的な分析が行われました。

要約(オリジナル)

A key bottleneck of employing state-of-the-art semantic segmentation networks in the real world is the availability of training labels. Standard semantic segmentation networks require massive pixel-wise annotated labels to reach state-of-the-art prediction quality. Hence, several works focus on semantic segmentation networks trained with only image-level annotations. However, when scrutinizing the state-of-the-art results in more detail, we notice that although they are very close to each other on average prediction quality, different approaches perform better in different classes while providing low quality in others. To address this problem, we propose a novel framework, AutoEnsemble, which employs an ensemble of the ‘pseudo-labels’ for a given set of different segmentation techniques on a class-wise level. Pseudo-labels are the pixel-wise predictions of the image-level semantic segmentation frameworks used to train the final segmentation model. Our pseudo-labels seamlessly combine the strong points of multiple segmentation techniques approaches to reach superior prediction quality. We reach up to 2.4% improvement over AutoEnsemble’s components. An exhaustive analysis was performed to demonstrate AutoEnsemble’s effectiveness over state-of-the-art frameworks for image-level semantic segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google