Group-On: 支援クエリによるワンショットセグメンテーションの向上

ワンショットセマンティックセグメンテーションは、同じクラスの注釈付きサポート画像が1つだけ与えられた状態でクエリ画像をセグメント化することを目的としています。このタスクは、サポート画像とクエリ画像内の対象物の外観や姿勢が大きく異なる可能性があるため、難易度が高くなります（すなわち、クラス内変動）。以前の研究では、少数ショット設定でより多くの注釈付きサポート画像を組み込むことで性能が向上することが示されましたが、追加の手動ラベリングによりコストが増加します。本論文では、グループ間の相互知識支援の利点のために、複数のクエリ画像をバッチにまとめる新しいアプローチであるGroup-Onを提案します。具体的には、クエリのバッチの粗いセグメンテーションマスクが予測された後、クエリマスクペアは擬似サポートデータとして機能し、シンプルなGroup-On投票モジュールの指導の下でマスク予測を相互に強化します。3つの標準ベンチマークに関する包括的な実験により、ワンショット設定において、我々のGroup-Onアプローチが従来の研究よりも大幅に優れていることが示されました。例えば、COCO-20iデータセットでは、ASNetおよびHSNetのベースラインに対してmIoUスコアをそれぞれ8.21%および7.46%向上させました。サポート画像が1つだけの場合でも、Group-Onは5つの注釈付きサポート画像を使用する対策と互角まで競争できることができます。