CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation

要約

この論文では、CorrMatch と呼ばれる、シンプルだが高性能な半教師ありセマンティック セグメンテーション アプローチを紹介します。
私たちの目標は、ラベルのない画像からより高品質な領域をマイニングし、一貫性の正則化によってラベルのないデータをより効率的に活用することです。
CorrMatch の主な貢献は、2 つの斬新で補完的な戦略です。
まず、高品質領域を拡大するために、緩和された初期化を伴う適応閾値更新戦略を導入します。
さらに、ピクセル間のペアごとの類似性を測定することで、信頼性の高い予測を伝播することを提案します。
そのシンプルさにも関わらず、CorrMatch が一般的な半教師ありセマンティック セグメンテーション ベンチマークで優れたパフォーマンスを達成することを示します。
ResNet-101 バックボーンを備えた DeepLabV3+ フレームワークをセグメンテーション モデルとして採用すると、提供された注釈付き画像が 92 個だけで、Pascal VOC 2012 セグメンテーション ベンチマークで 76%+ mIoU スコアを獲得しました。
また、以前の半教師ありセマンティック セグメンテーション モデルと比較して、一貫した改善も達成しています。
コードは公開されます。

要約(オリジナル)

In this paper, we present a simple but performant semi-supervised semantic segmentation approach, termed CorrMatch. Our goal is to mine more high-quality regions from the unlabeled images to leverage the unlabeled data more efficiently via consistency regularization. The key contributions of our CorrMatch are two novel and complementary strategies. First, we introduce an adaptive threshold updating strategy with a relaxed initialization to expand the high-quality regions. Furthermore, we propose to propagate high-confidence predictions through measuring the pairwise similarities between pixels. Despite its simplicity, we show that CorrMatch achieves great performance on popular semi-supervised semantic segmentation benchmarks. Taking the DeepLabV3+ framework with ResNet-101 backbone as our segmentation model, we receive a 76%+ mIoU score on the Pascal VOC 2012 segmentation benchmark with only 92 annotated images provided. We also achieve a consistent improvement over previous semi-supervised semantic segmentation models. Code will be made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google