Augmentation Matters: A Simple-yet-Effective Approach to Semi-supervised Semantic Segmentation

要約

半教師付きセマンティック セグメンテーション (SSS) に関する最近の研究は急速に進歩しています。
有望なパフォーマンスにもかかわらず、現在の最先端の方法は、より多くのネットワーク コンポーネントと追加のトレーニング手順を導入するという犠牲を払って、ますます複雑な設計になる傾向があります。
これとは異なり、この作業では、標準的な教師と生徒のフレームワークに従い、主にデータの摂動に焦点を当てて SSS のパフォーマンスを向上させるシンプルでクリーンなアプローチである AugSeg を提案します。
教師あり学習からこれらの手法を直接適用するのではなく、半教師ありシナリオによりよく適応するために、さまざまなデータ拡張を調整する必要があると主張します。
具体的には、連続空間から均一にサンプリングされた歪み強度を使用して乱数のデータ変換を選択する、単純化された強度ベースの拡張を採用します。
さまざまなラベル付けされていないサンプルに対するモデルの推定信頼度に基づいて、ラベル付けされた情報をランダムに注入して、ラベル付けされていないサンプルを適応的な方法で補強します。
付属品がなくても、当社のシンプルな AugSeg は、さまざまなパーティション プロトコルの下で SSS ベンチマークで新しい最先端のパフォーマンスを容易に達成できます。

要約(オリジナル)

Recent studies on semi-supervised semantic segmentation (SSS) have seen fast progress. Despite their promising performance, current state-of-the-art methods tend to increasingly complex designs at the cost of introducing more network components and additional training procedures. Differently, in this work, we follow a standard teacher-student framework and propose AugSeg, a simple and clean approach that focuses mainly on data perturbations to boost the SSS performance. We argue that various data augmentations should be adjusted to better adapt to the semi-supervised scenarios instead of directly applying these techniques from supervised learning. Specifically, we adopt a simplified intensity-based augmentation that selects a random number of data transformations with uniformly sampling distortion strengths from a continuous space. Based on the estimated confidence of the model on different unlabeled samples, we also randomly inject labelled information to augment the unlabeled samples in an adaptive manner. Without bells and whistles, our simple AugSeg can readily achieve new state-of-the-art performance on SSS benchmarks under different partition protocols.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google