Semi-supervised Semantic Segmentation via Boosting Uncertainty on Unlabeled Data

要約

トレーニング データセット内のラベル付き分布とラベルなし分布の分析を提供することで、半教師ありセマンティック セグメンテーションに新しい視点をもたらします。
まず、たとえ 2 つのデータセットが同じ分布からサンプリングされているとしても、ラベル付きデータセットとラベルなしデータセットの間の分布ギャップは無視できないことがわかります。
この問題に対処するために、ラベルのないデータの不確実性を適切に高めることが分布ギャップを最小限に抑えるのに役立ち、それがモデルの一般化に役立つことを理論的に分析し、実験的に証明します。
我々は 2 つの戦略を提案し、特に半教師ありセマンティック セグメンテーション向けの不確実性ブースター アルゴリズムを設計します。
これらの理論に基づいて広範な実験が実行され、その結果によってアルゴリズムと戦略の有効性が確認されました。
当社のプラグアンドプレイの不確実性ブースターは、小型で効率的で、ハイパーパラメーターに対して堅牢ですが、パフォーマンスを大幅に向上させることができます。
私たちのアプローチは、人気のベンチマークである都市景観とさまざまな列車設定の PASCAL VOC 2012 で現在の半教師ありセマンティック セグメンテーション手法と比較して、実験で最先端のパフォーマンスを達成しました。

要約(オリジナル)

We bring a new perspective to semi-supervised semantic segmentation by providing an analysis on the labeled and unlabeled distributions in training datasets. We first figure out that the distribution gap between labeled and unlabeled datasets cannot be ignored, even though the two datasets are sampled from the same distribution. To address this issue, we theoretically analyze and experimentally prove that appropriately boosting uncertainty on unlabeled data can help minimize the distribution gap, which benefits the generalization of the model. We propose two strategies and design an uncertainty booster algorithm, specially for semi-supervised semantic segmentation. Extensive experiments are carried out based on these theories, and the results confirm the efficacy of the algorithm and strategies. Our plug-and-play uncertainty booster is tiny, efficient, and robust to hyperparameters but can significantly promote performance. Our approach achieves state-of-the-art performance in our experiments compared to the current semi-supervised semantic segmentation methods on the popular benchmarks: Cityscapes and PASCAL VOC 2012 with different train settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google